点击 机器学习算法与Python学习 ，选择加星标

精彩内容不迷路

很多人在学习数据分析的时候，肯定都会用到Pandas这个库，非常的实用！
从创建数据到读取各种格式的文件(text、csv、json)，或者对数据进行切片和分割组合多个数据源，Pandas都能够很好的满足。
Pandas最初发布于2008年，使用Python、Cython和C编写的。是一个超级强大、快速和易于使用的Python库，用于数据分析和处理。
当然Pandas也是有不足之处的，比如不具备多处理器，处理较大的数据集速度很慢。
今天给大家介绍一个新兴的Python库——Polars。

使用语法和Pandas差不多，处理数据的速度却比Pandas快了不少。

一个是大熊猫，一个是北极熊～
GitHub地址：https://github.com/ritchie46/polars
使用文档：https://ritchie46.github.io/polars-book/
Polars是通过Rust编写的一个库，Polars的内存模型是基于Apache Arrow。
Polars存在两种API，一种是Eager API，另一种则是Lazy API。

其中Eager API和Pandas的使用类似，语法差不太多，立即执行就能产生结果。

而Lazy API就像Spark，首先将查询转换为逻辑计划，然后对计划进行重组优化，以减少执行时间和内存使用。
安装Polars，使用百度pip源。

# 安装polars
pip install polars -i https://mirror.baidu.com/pypi/simple/
安装成功后，开始测试，比较Pandas和Polars处理数据的情况。

使用某网站注册用户的用户名数据进行分析，包含约2600万个用户名的CSV文件。
文件已上传公众号，获取方式见文末。
import
 pandas 
as
 pd


df = pd.read_csv(
'users.csv'
)

print(df)


数据情况如下。

此外还使用了一个自己创建的CSV文件，用以数据整合测试。

import
 pandas 
as
 pd


df = pd.read_csv(
'fake_user.csv'
)

print(df)


得到结果如下。


首先比较一下两个库的排序算法耗时。

import
 timeit

import
 pandas 
as
 pd


start = timeit.default_timer()


df = pd.read_csv(
'users.csv'
)

df.sort_values(
'n'
, ascending=
False
)

stop = timeit.default_timer()


print(
'Time: '
, stop - start)


-------------------------

Time:  
27.555776743218303

可以看到使用Pandas对数据进行排序，花费了大约28s。
import
 timeit

import
 polars 
as
 pl


start = timeit.default_timer()


df = pl.read_csv(
'users.csv'
)

df.sort(by_column=
'n'
, reverse=
True
)

stop = timeit.default_timer()


print(
'Time: '
, stop - start)


-----------------------

Time:  
9.924110282212496

Polars只花费了约10s，这意味着Polars比Pandas快了2.7倍。
下面，我们来试试数据整合的效果，纵向连接。
import
 timeit

import
 pandas 
as
 pd


start = timeit.default_timer()


df_users = pd.read_csv(
'users.csv'
)

df_fake = pd.read_csv(
'fake_user.csv'
)

df_users.append(df_fake, ignore_index=
True
)

stop = timeit.default_timer()


print(
'Time: '
, stop - start)


------------------------

Time:  
15.556222308427095

使用Pandas耗时15s。
import
 timeit

import
 polars 
as
 pl


start = timeit.default_timer()


df_users = pl.read_csv(
'users.csv'
)

df_fake = pl.read_csv(
'fake_user.csv'
)

df_users.vstack(df_fake)

stop = timeit.default_timer()


print(
'Time: '
, stop - start)


-----------------------

Time:  
3.475433263927698

Polars居然最使用了约3.5s，这里Polars比Pandas快了4.5倍。
通过上面的比较，Polars在处理速度上表现得相当不错。
可以是大家在未来处理数据时，另一种选择～
当然，Pandas目前历时12年，已经形成了很成熟的生态，支持很多其它的数据分析库。
Polars则是一个较新的库，不足的地方还有很多。
如果你的数据集对于Pandas来说太大，对于Spark来说太小，那么Polars便是你可以考虑的一个选择。

觉得不错，请点个在看呀
继续阅读
阅读原文