Pandas數(shù)據(jù)幀庫概述、性能及安裝

導(dǎo)語

Polars 是一個使用 Apache Arrow 列格式作為內(nèi)存模型，用Rust實現(xiàn)的，在Rust, Python以及Node.js中均可使用的速度極快的數(shù)據(jù)幀庫。

它有以下幾個特點：

• 懶|立即執(zhí)行

• 多線程

• SIMD

• 查詢優(yōu)化

• 強(qiáng)大的表達(dá)式API

• 支持多種語言：Rust、Python 等

了解更多內(nèi)容可以點擊這個用戶指南^[1]。

Python代碼示例

>>> df = pl.DataFrame(
...     {
...         "A": [1, 2, 3, 4, 5],
...         "fruits": ["banana", "banana", "apple", "apple", "banana"],
...         "B": [5, 4, 3, 2, 1],
...         "cars": ["beetle", "audi", "beetle", "beetle", "beetle"],
...     }
... )

# embarrassingly parallel execution
# very expressive query language
>>> (
...     df
...     .sort("fruits")
...     .select(
...         [
...             "fruits",
...             "cars",
...             pl.lit("fruits").alias("literal_string_fruits"),
...             pl.col("B").filter(pl.col("cars") == "beetle").sum(),
...             pl.col("A").filter(pl.col("B") > 2).sum().over("cars").alias("sum_A_by_cars"),     # groups by "cars"
...             pl.col("A").sum().over("fruits").alias("sum_A_by_fruits"),                         # groups by "fruits"
...             pl.col("A").reverse().over("fruits").alias("rev_A_by_fruits"),                     # groups by "fruits
...             pl.col("A").sort_by("B").over("fruits").alias("sort_A_by_B_by_fruits"),            # groups by "fruits"
...         ]
...     )
... )
shape: (5, 8)
┌──────────┬──────────┬──────────────┬─────┬─────────────┬─────────────┬─────────────┬─────────────┐
│ fruits   ┆ cars     ┆ literal_stri ┆ B   ┆ sum_A_by_ca ┆ sum_A_by_fr ┆ rev_A_by_fr ┆ sort_A_by_B │
│ ---      ┆ ---      ┆ ng_fruits    ┆ --- ┆ rs          ┆ uits        ┆ uits        ┆ _by_fruits  │
│ str      ┆ str      ┆ ---          ┆ i64 ┆ ---         ┆ ---         ┆ ---         ┆ ---         │
│          ┆          ┆ str          ┆     ┆ i64         ┆ i64         ┆ i64         ┆ i64         │
╞══════════╪══════════╪══════════════╪═════╪═════════════╪═════════════╪═════════════╪═════════════╡
│ "apple"  ┆ "beetle" ┆ "fruits"     ┆ 11  ┆ 4           ┆ 7           ┆ 4           ┆ 4           │
├??????????┼??????????┼??????????????┼?????┼?????????????┼?????????????┼?????????????┼?????????????┤
│ "apple"  ┆ "beetle" ┆ "fruits"     ┆ 11  ┆ 4           ┆ 7           ┆ 3           ┆ 3           │
├??????????┼??????????┼??????????????┼?????┼?????????????┼?????????????┼?????????????┼?????????????┤
│ "banana" ┆ "beetle" ┆ "fruits"     ┆ 11  ┆ 4           ┆ 8           ┆ 5           ┆ 5           │
├??????????┼??????????┼??????????????┼?????┼?????????????┼?????????????┼?????????????┼?????????????┤
│ "banana" ┆ "audi"   ┆ "fruits"     ┆ 11  ┆ 2           ┆ 8           ┆ 2           ┆ 2           │
├??????????┼??????????┼??????????????┼?????┼?????????????┼?????????????┼?????????????┼?????????????┤
│ "banana" ┆ "beetle" ┆ "fruits"     ┆ 11  ┆ 4           ┆ 8           ┆ 1           ┆ 1           │
└──────────┴──────────┴──────────────┴─────┴─────────────┴─────────────┴─────────────┴─────────────┘

性能

Polars速度非?？?，事實上，它是目前性能最好的解決方案之一。具體可參見h2oai's db基準(zhǔn)測試結(jié)果^[2]。

此處我們自己用一些示例代碼來對比python中pandas和polars處理數(shù)據(jù)的速度差距。

importpandasaspd
importpolarsaspl
importtimeit

#讀取時間對比
start_df=timeit.default_timer()
df=pd.read_csv("/Users/lenskit/Desktop/aa.csv")
df=df.sort_values("company_name",ascending=False).head()
stop_df=timeit.default_timer()
print('time:',stop_df-start_df)

start_pl=timeit.default_timer()
data=pl.read_csv("/Users/lenskit/Desktop/aa.csv")
data.sort(by="company_name",reverse=True).head()
stop_pl=timeit.default_timer()
print('time1:',stop_pl-start_pl)

#縱向拼接時間對比
start_df1=timeit.default_timer()
df_1=pd.read_csv('/Users/lenskit/Desktop/aa.csv')
df_2=pd.read_csv('/Users/lenskit/Desktop/bb.csv')
df_1.append(df_2,ignore_index=True)
stop_df1=timeit.default_timer()
print('time2:',stop_df1-start_df1)

start_pl1=timeit.default_timer()
pl_1=pl.read_csv('/Users/lenskit/Desktop/aa.csv')
pl_2=pl.read_csv('/Users/lenskit/Desktop/bb.csv')
pl_1.vstack(pl_2)
stop_pl1=timeit.default_timer()
print('time3:',stop_pl1-start_pl1)


time:5.088931238
time1:0.8967700230000002
time2:4.707102063
time3:0.639797883

可以看到在讀取文件上，polars比pandas速度快了5倍多，在數(shù)據(jù)縱向拼接上，polars比pandas快了有7倍多。

Python安裝

用如下語句安裝最新的polars版本：

$pip3install-Upolars[pyarrow]

目前polars的更新頻率很高（每周/每隔幾天），所以最好定期更新一下polars來獲得最新的錯誤修復(fù)/功能。

Rust安裝

您可以從crates.io獲取最新版本，或者如果你想使用最新的功能/性能改進(jìn)，可以用如下命令指向版本的master分支。

polars={git="https://github.com/pola-rs/polars",rev=""}

注意需要Rust version >=1.58

文檔

想知道Polars支持的所有功能嗎？閱讀文檔！

Python

• 安裝指南：$ pip3 install polars

• Python文檔^[3]

• 用戶指南^[4]

Rust

• Rust文件（主分支）^[5]

• 用戶指南^[6]

Node

• 安裝指南：yarn install nodejs-polars

• Node文檔^[7]

• 用戶指南^[8]

[Python]: 從源代碼編譯polars

如果你想要獲取最前沿的版本或最大的性能，你應(yīng)該從源代碼編譯Polar。

這可以通過按順序執(zhí)行以下步驟來完成：

• 1、安裝最新的Rust編譯器^[9]

• 2、安裝maturin^[10]: $ pip3 install maturin

• 3、選擇以下任一:

• 最快的二進(jìn)制文件，非常長的編譯時間：

• $ cd py-polars && maturin develop --rustc-extra-args="-C target-cpu=native" --release

• 較快的二進(jìn)制文件，短一些的編譯時間：

• $ cd py-polars && maturin develop --rustc-extra-args="-C codegen-units=16 -C lto=

需要注意的是，Python實現(xiàn)的Rust crate被稱為py-polars，以區(qū)別于Rust crate包polars本身。然而，Python包和Python模塊都被命名為polars，所以你可以pip install polars和import polars。

Arrow2

Polars已經(jīng)轉(zhuǎn)移到arrow2^[11]。Arrow2是Apache Arrow Columnar Format^[12]更快、更安全的實現(xiàn)。Arrow2還具有更細(xì)粒度的代碼庫，有助于減少編譯器膨脹。

審核編輯：湯梓紅