相信對于不少的數(shù)據(jù)分析從業(yè)者來說呢，用的比較多的是??Pandas??以及??SQL??這兩種工具，??Pandas??不但能夠?qū)?shù)據(jù)集進(jìn)行清理與分析，并且還能夠繪制各種各樣的炫酷的圖表，但是遇到數(shù)據(jù)集很大的時(shí)候要是還使用??Pandas??來處理顯然有點(diǎn)力不從心。

今天就來介紹另外一個(gè)數(shù)據(jù)處理與分析工具，叫做??Polars??，它在數(shù)據(jù)處理的速度上更快，當(dāng)然里面還包括兩種API，一種是??Eager API??，另一種則是??Lazy API??，其中??Eager API??和??Pandas??的使用類似，語法類似差不太多，立即執(zhí)行就能產(chǎn)生結(jié)果。

而??Lazy API??和??Spark??很相似，會(huì)有并行以及對查詢邏輯優(yōu)化的操作。

模塊的安裝與導(dǎo)入

我們先來進(jìn)行模塊的安裝，使用??pip??命令

pip install polars

在安裝成功之后，我們分別用??Pandas??和??Polars??來讀取數(shù)據(jù)，看一下各自性能上的差異，我們導(dǎo)入會(huì)要用到的模塊

import pandas as pd
import polars as pl
import matplotlib.pyplot as plt
%matplotlib inline

用??Pandas??讀取文件

本次使用的數(shù)據(jù)集是某網(wǎng)站注冊用戶的用戶名數(shù)據(jù)，總共有360MB大小，我們先用??Pandas??模塊來讀取該??csv??文件

%%time 
df = pd.read_csv("users.csv")
df.head()

output

可以看到用??Pandas??讀取??CSV??文件總共花費(fèi)了12秒的時(shí)間，數(shù)據(jù)集總共有兩列，一列是用戶名稱，以及用戶名稱重復(fù)的次數(shù)“n”，我們來對數(shù)據(jù)集進(jìn)行排序，調(diào)用的是??sort_values()??方法，代碼如下

%%time 
df.sort_values("n", ascending=False).head()

output

用??Polars??來讀取操作文件

下面我們用??Polars??模塊來讀取并操作文件，看看所需要的多久的時(shí)間，代碼如下

%%time 
data = pl.read_csv("users.csv")
data.head()

output

可以看到用??polars??模塊來讀取數(shù)據(jù)僅僅只花費(fèi)了730毫秒的時(shí)間，可以說是快了不少的，我們根據(jù)“n”這一列來對數(shù)據(jù)集進(jìn)行排序，代碼如下

%%time
data.sort(by="n", reverse=True).head()

output

對數(shù)據(jù)集進(jìn)行排序所消耗的時(shí)間為1.39秒，接下來我們用polars模塊來對數(shù)據(jù)集進(jìn)行一個(gè)初步的探索性分析，數(shù)據(jù)集總共有哪些列、列名都有哪些，我們還是以熟知“泰坦尼克號”數(shù)據(jù)集為例

df_titanic = pd.read_csv("titanic.csv")
df_titanic.columns

output

['PassengerId',
 'Survived',
 'Pclass',
 'Name',
 'Sex',
 'Age',
 ......]

和??Pandas??一樣輸出列名調(diào)用的是??columns??方法，然后我們來看一下數(shù)據(jù)集總共是有幾行幾列的，

df_titanic.shape

output

(891, 12)

看一下數(shù)據(jù)集中每一列的數(shù)據(jù)類型

df_titanic.dtypes

output

[polars.datatypes.Int64,
 polars.datatypes.Int64,
 polars.datatypes.Int64,
 polars.datatypes.Utf8,
 polars.datatypes.Utf8,
 polars.datatypes.Float64,
......]

填充空值與數(shù)據(jù)的統(tǒng)計(jì)分析

我們來看一下數(shù)據(jù)集當(dāng)中空值的分布情況，調(diào)用??null_count()??方法

df_titanic.null_count()

output

我們可以看到“Age”以及“Cabin”兩列存在著空值，我們可以嘗試用平均值來進(jìn)行填充，代碼如下

df_titanic["Age"] = df_titanic["Age"].fill_nan(df_titanic["Age"].mean())

計(jì)算某一列的平均值只需要調(diào)用??mean()??方法即可，那么中位數(shù)、最大/最小值的計(jì)算也是同樣的道理，代碼如下

print(f'Median Age: {df_titanic["Age"].median()}')
print(f'Average Age: {df_titanic["Age"].mean()}')
print(f'Maximum Age: {df_titanic["Age"].max()}')
print(f'Minimum Age: {df_titanic["Age"].min()}')

output

Median Age: 29.69911764705882
Average Age: 29.699117647058817
Maximum Age: 80.0
Minimum Age: 0.42

數(shù)據(jù)的篩選與可視化

我們篩選出年齡大于40歲的乘客有哪些，代碼如下

df_titanic[df_titanic["Age"] > 40]

output

最后我們簡單地來繪制一張圖表，代碼如下

fig, ax = plt.subplots(figsize=(10, 5))
ax.boxplot(df_titanic["Age"])
plt.xticks(rotation=90)
plt.xlabel('Age Column')
plt.ylabel('Age')
plt.show()

output

總體來說呢，??polars??在數(shù)據(jù)分析與處理上面和??Pandas??模塊有很多相似的地方，其中會(huì)有一部分的API存在著差異，感興趣的童鞋可以參考其官網(wǎng)：https://www.pola.rs/