Pandas是數(shù)據科學中必不可少的Python庫。但其最大的缺點是對大型數(shù)據集的操作速度較慢。Polars是一種旨在更快地處理數(shù)據的Pandas替代方案。

Polars是一種旨在更快地處理數(shù)據的Pandas替代方案。

本文簡要介紹了Polars Python包，并將其與流行的數(shù)據科學庫Pandas在語法和速度方面進行了比較。

• 什么是Polars，為什么它比Pandas更快？
• 基準測試設置
• 開始使用Polars
• Pandas和Polars的比較
• ° 讀取數(shù)據
• ° 選擇和過濾數(shù)據
• ° 創(chuàng)建新列
• ° 分組和聚合
• ° 缺失數(shù)據
• 結論

本文的相關代碼可在Kaggle Notebook中找到，鏈接如下：https://www.kaggle.com/code/iamleonie/pandas-vs-polars

什么是Polars，為什么它比Pandas更快？

根據Polars的用戶指南[1]，其目標是“提供一個利用計算機上所有可用核心的閃電般快速的DataFrame庫?！?/p>

與Polars不同，Pandas不會在計算機核心之間進行原生的并行處理。其他工具如Dask是建立在Pandas庫的基礎上嘗試進行并行處理。相反，Polars是專為并行化而設計的，并從頭開始搭建。雖然它是用Rust編寫的，但Polars有一個Python包，這使得它成為Pandas的潛在替代方案。

Polars有兩種不同的API：急切API和惰性API。

急切的執(zhí)行方式類似于Pandas。這意味著直接運行代碼，并立即返回結果。

另一方面，惰性執(zhí)行是在你需要結果時才運行。由于它避免了運行不必要的代碼，因此惰性執(zhí)行可以比急切執(zhí)行更高效。

對于惰性執(zhí)行，必須使用.lazy()方法開始操作。然后可以為你想做的任何事情編寫要執(zhí)行的代碼。最后需要運行.collect()方法來顯示結果。

df.lazy()
  .with_columns([(pl.col("col") * 10).alias("new_col")])
  #...
  .collect()

如果你不運行.collect()方法，則不會立即執(zhí)行操作。相反，你將看到執(zhí)行圖。

圖片

基準測試設置

本基準測試設置使用了一個虛構的數(shù)據集，其中包含每種數(shù)據類型的一列。為了減少時間上的噪聲以便進行比較，該虛構數(shù)據集包含400萬行，幾乎有1GB大小，正如[2]中建議的那樣。

圖片

用于比較Pandas和Polars基準測試的虛構數(shù)據集頭部

在下文中，我們將使用%%timeit -n32 -r4對執(zhí)行進行計時。

開始使用Polars

要設置Polars，只需使用pip安裝它。

pip install polars

之后，可以像使用Pandas一樣導入Polars Python包。

import polars as pl
import pandas as pd

現(xiàn)在，準備工作都已完成。

Pandas和Polars的比較

Pandas和Polars（急切API）在語法方面看起來很相似，因為它們具有共享的主要搭建模塊：Series和DataFrames。

此外，Polars中的許多表達式也與Pandas表達式相似：

# 適用于Pandas和Polars的示例表達式
df.head() # 獲取前n行的數(shù)據
df.tail() # 獲取最后n行的數(shù)據
df.unique() # 獲取此表達式的唯一值。

但是，根據Polars用戶指南[1]，“如果你的Polars代碼看起來像是Pandas代碼，它可能會運行，但很可能比它應該運行的速度慢?！?/p>

本節(jié)將探討Polars包在語法和執(zhí)行時間方面與Pandas的主要不同之處：

• 讀取數(shù)據
• 選擇和過濾數(shù)據
• 創(chuàng)建新列
• 分組和聚合
• 缺失數(shù)據

讀取數(shù)據

在Polars中讀取CSV文件會感覺很熟悉，因為可以像在Pandas中一樣使用.read_csv()方法：

# Pandas
pd.read_csv('example.csv')

# Polars
pl.read_csv('example.csv')

在Pandas和Polars中讀取樣本數(shù)據集的結果執(zhí)行時間如下所示：

Pandas和Polars之間讀取時間的比較

對于我們的樣本數(shù)據集，使用Pandas讀取數(shù)據比使用Polars慢8倍左右。

選擇和過濾數(shù)據

Pandas和Polars之間的第一個主要區(qū)別是Polars不使用索引[1]。相反，每行都以其在DataFrame中的整數(shù)位置為索引[1]。

雖然相同的Pandas代碼也可以在Polars中運行，但這并不是最佳實踐。在Polars中，應該使用.select()方法來選擇數(shù)據。

# Pandas
df[['col1', 'col2']] 

# 上述代碼也可以在Polars中運行，
# 但在Polars中的正確方式是：
df.select(pl.col(['col1', 'col2']))

在Pandas和Polars中選擇數(shù)據的執(zhí)行時間結果顯示如下：

Pandas和Polars之間選擇時間的比較

對于我們的樣本數(shù)據集，使用Pandas選擇數(shù)據比使用Polars慢15倍左右（約為70.3微秒）。

下面比較了在文檔中建議的Polars操作語法（使用.select()，左側）和Pandas語法（使用df[['col1'，'col2']]，右側）。令人意外的是，Pandas語法比建議的.select()方法快得多。

圖片

Polars和具有Pandas語法的Polars之間選擇時間的比較（df[[‘col1’，‘col2’]]）

在Pandas中，你可以使用.query()方法過濾數(shù)據，但在Polars中需要使用.filter()方法。

# Pandas
df.query('col1 > 5')

# Polars
df.filter(pl.col('col') > 5)

在Pandas和Polars中過濾數(shù)據的執(zhí)行時間結果顯示如下：

Pandas和Polars之間過濾時間的比較

對于我們的樣本數(shù)據集，使用Pandas和Polars過濾數(shù)據的時間大致相同。

與Pandas不同，Polars可以在.select()和.filter()中并行運行操作。

創(chuàng)建新列

在Polars中創(chuàng)建新列也與在Pandas中使用的方式有所不同。在Polars中，需要使用.with_column()或.with_columns()方法，具體取決于你要創(chuàng)建多少列。

# Pandas
df_pd["new_col"] = df_pd["col"] * 10

# Polars
df.with_columns([(pl.col("col") * 10).alias("new_col")])

# 多列的Polars
# df.with_columns([(pl.col("col") * 10).alias("new_col"), ...])

在Pandas和Polars中創(chuàng)建一個新列的結果執(zhí)行時間如下：

Pandas和Polars之間創(chuàng)建新列的時間比較

對于我們的樣本數(shù)據集，在Polars中創(chuàng)建新列需要比Pandas長兩倍左右的時間。

分組和聚合

在Pandas和Polars中，分組和聚合在語法上略有不同，但兩者都使用.groupby()和.agg()方法。

# Pandas
df_pd.groupby('col1')['col2'].agg('mean')

# Polars
# df.groupby('col1').agg([pl.col('col2').mean()]) # 建議使用的Polars方法
df.groupby('col1').agg([pl.mean('col2')]) # 簡短的語法

在Pandas和Polars中對數(shù)據進行分組和聚合的執(zhí)行時間如下：

Pandas和Polars之間聚合時間的比較

對于我們的樣本數(shù)據集，使用Pandas聚合數(shù)據需要比使用Polars長兩倍左右的時間。

缺失數(shù)據

Pandas和Polars之間的另一個主要區(qū)別是，Pandas使用NaN值表示缺失值，而Polars使用null[1]。

圖片

Pandas和Polars如何在DataFrames中表示缺失值

因此，應該使用Polars的.fill_null()方法，而不是Pandas中的.fillna()方法。

# Pandas
df['col2'].fillna(-999)

# Polars
# df_pd.with_column(pl.col('col2').fill_null(pl.lit(-999))) # 建議使用的Polars方法
df_pd.with_column(pl.col('col2').fill_null(-999)) # 簡短的語法

總結

那么，Polars是否比Pandas更好？Polars是否會取代Pandas？

Polars相對于Pandas的主要優(yōu)勢是速度。如果你需要在大型數(shù)據集上進行大量數(shù)據處理，那么你肯定應該嘗試Polars。

Polars相對于Pandas的主要優(yōu)勢是速度。

但是，正如本文所示，如果要從Pandas切換到Polars，則需要學習新的Polars語法。此外，你已經看到，對于相同的操作，Polars代碼通常要比Pandas代碼長。并且，Polars并沒有涵蓋Pandas的所有功能，例如用于數(shù)據探索等。

因此，如果你需要使用Pandas提供的所有功能，則可能需要繼續(xù)使用Pandas。

Polars的代碼通常比Pandas的代碼長。

參考文獻

[1] Polars (2023): User Guide (accessed 8. January 2023)

【網址】：https://pola-rs.github.io/polars-book/user-guide/

[2] “Stackoverflow”, “What are the differences between feather and parquet?”. stackoverflow.com.(accessed July 25, 2022)

【網址】：https://stackoverflow.com/questions/48083405/what-are-the-differences-between-feather-and-parquet