Polars

Polars

概述

Polars是一个基于Apache Arrow构建的Python和Rust的闪电快速DataFrame库。使用Polars的基于表达式的API、惰性评估框架和高性能数据操作功能，进行高效数据处理、pandas迁移和数据管道优化。

快速开始

安装和基本使用

安装本次更新时验证过的当前稳定版 Polars：

uv pip install "polars==1.41.2"

只在需要时安装可选集成：

uv pip install "polars[excel,database,fsspec,pandas,numpy]==1.41.2"

基本DataFrame创建和操作：

import polars as pl

# 创建DataFrame
df = pl.DataFrame({
    "name": ["Alice", "Bob", "Charlie"],
    "age": [25, 30, 35],
    "city": ["NY", "LA", "SF"]
})

# 选择列
df.select("name", "age")

# 过滤行
df.filter(pl.col("age") > 25)

# 添加计算列
df.with_columns(
    age_plus_10=pl.col("age") + 10
)

核心概念

表达式

表达式是Polars操作的基本构建块。它们描述数据的转换，可以组合、重用和优化。

关键原则：

• 使用pl.col("column_name")引用列
• 链式方法构建复杂转换
• 表达式是惰性的，只在上下文中执行（select、with_columns、filter、group_by）

示例：

# 基于表达式的计算
df.select(
    pl.col("name"),
    (pl.col("age") * 12).alias("age_in_months")
)

惰性vs即时评估

即时（DataFrame）： 操作立即执行

df = pl.read_csv("file.csv")  # 立即读取
result = df.filter(pl.col("age") > 25)  # 立即执行

惰性（LazyFrame）： 操作构建查询计划，执行前优化

lf = pl.scan_csv("file.csv")  # 尚未读取
result = lf.filter(pl.col("age") > 25).select("name", "age")
df = result.collect()  # 现在执行优化查询

何时使用惰性：

• 处理大型数据集
• 复杂查询管道
• 只需要部分列/行
• 性能至关重要

惰性评估的好处：

• 自动查询优化
• 谓词下推
• 投影下推
• 并行执行

有关详细概念，请加载references/core_concepts.md。

常见操作

Select

选择和操作列：

# 选择特定列
df.select("name", "age")

# 用表达式选择
df.select(
    pl.col("name"),
    (pl.col("age") * 2).alias("double_age")
)

# 选择匹配模式的所有列
df.select(pl.col("^.*_id$"))

Filter

按条件过滤行：

# 单个条件
df.filter(pl.col("age") > 25)

# 多个条件（比使用&更清晰）
df.filter(
    pl.col("age") > 25,
    pl.col("city") == "NY"
)

# 复杂条件
df.filter(
    (pl.col("age") > 25) | (pl.col("city") == "LA")
)

With Columns

添加或修改列，同时保留现有列：

# 添加新列
df.with_columns(
    age_plus_10=pl.col("age") + 10,
    name_upper=pl.col("name").str.to_uppercase()
)

# 并行计算（所有列并行计算）
df.with_columns(
    pl.col("value") * 10,
    pl.col("value") * 100,
)

Group By and Aggregations

分组数据并计算聚合：

# 基本分组
df.group_by("city").agg(
    pl.col("age").mean().alias("avg_age"),
    pl.len().alias("count")
)

# 多个分组键
df.group_by("city", "department").agg(
    pl.col("salary").sum()
)

# 条件聚合
df.group_by("city").agg(
    (pl.col("age") > 30).sum().alias("over_30")
)

有关详细操作模式，请加载references/operations.md。

聚合和窗口函数

聚合函数

group_by上下文中的常见聚合：

• pl.len() - 计数行
• pl.col("x").sum() - 求和值
• pl.col("x").mean() - 平均值
• pl.col("x").min() / pl.col("x").max() - 极值
• pl.first() / pl.last() - 第一个/最后一个值

使用over()的窗口函数

应用聚合同时保留行数：

# 向每行添加分组统计
df.with_columns(
    avg_age_by_city=pl.col("age").mean().over("city"),
    rank_in_city=pl.col("salary").rank().over("city")
)

# 多个分组列
df.with_columns(
    group_avg=pl.col("value").mean().over("category", "region")
)

映射策略：

• group_to_rows（默认）：保留原始行顺序
• explode：更快但将分组行放在一起
• join：创建列表列

数据I/O

支持的格式

Polars支持读取和写入：

• CSV、Parquet、JSON、Excel
• 数据库（通过连接器）
• 云存储（S3、Azure、GCS）
• Google BigQuery
• 多个/分区文件

常见I/O操作

CSV：

# 即时
df = pl.read_csv("file.csv")
df.write_csv("output.csv")

# 惰性（大文件首选）
lf = pl.scan_csv("file.csv")
result = lf.filter(...).select(...).collect()

Parquet（性能推荐）：

df = pl.read_parquet("file.parquet")
df.write_parquet("output.parquet")

JSON：

df = pl.read_json("file.json")
df.write_json("output.json")

有关全面的I/O文档，请加载references/io_guide.md。

转换

Joins

合并DataFrames：

# 内连接
df1.join(df2, on="id", how="inner")

# 左连接
df1.join(df2, on="id", how="left")

# 不同列名连接
df1.join(df2, left_on="user_id", right_on="id")

Concatenation

堆叠DataFrames：

# 垂直（堆叠行）
pl.concat([df1, df2], how="vertical")

# 水平（添加列）
pl.concat([df1, df2], how="horizontal")

# 对角线（不同模式的联合）
pl.concat([df1, df2], how="diagonal")

Pivot and Unpivot

重塑数据：

# Pivot（宽格式）
df.pivot(on="product", values="sales", index="date")

# Unpivot（长格式）
df.unpivot(index="id", on=["col1", "col2"])

有关详细转换示例，请加载references/transformations.md。

Pandas迁移

Polars提供比pandas显著的性能改进，同时拥有更简洁的API。关键差异：

概念差异

• 无索引：Polars仅使用整数位置
• 严格类型：无静默类型转换
• 惰性评估：通过LazyFrame可用
• 默认并行：操作自动并行化

常见操作映射

| 操作 | Pandas | Polars |

|-----------|--------|--------|

| 选择列 | df["col"] | df.select("col") |

| 过滤 | df[df["col"] > 10] | df.filter(pl.col("col") > 10) |

| 添加列 | df.assign(x=...) | df.with_columns(x=...) |

| 分组 | df.groupby("col").agg(...) | df.group_by("col").agg(...) |

| 窗口 | df.groupby("col").transform(...) | df.with_columns(...).over("col") |

关键语法模式

Pandas顺序（慢）：

df.assign(
    col_a=lambda df_: df_.value * 10,
    col_b=lambda df_: df_.value * 100
)

Polars并行（快）：

df.with_columns(
    col_a=pl.col("value") * 10,
    col_b=pl.col("value") * 100,
)

有关全面的迁移指南，请加载references/pandas_migration.md。

最佳实践

性能优化

1. 对大型数据集使用惰性评估：

   lf = pl.scan_csv("large.csv")  # 不要使用read_csv
   result = lf.filter(...).select(...).collect()

1. 避免热路径中的Python函数：

• 留在表达式API内以实现并行化
• 仅在必要时使用.map_elements()
• 优先使用原生Polars操作

1. 对非常大的数据使用流式处理：

   lf.collect(engine="streaming")

1. 尽早选择所需列：

   # 好：尽早选择列
   lf.select("col1", "col2").filter(...)

   # 坏：先对所有列过滤
   lf.filter(...).select("col1", "col2")

1. 使用适当的数据类型：

• 低基数字符串使用分类
• 适当的整数大小（i32 vs i64）
• 时间数据使用日期类型

表达式模式

条件操作：

pl.when(condition).then(value).otherwise(other_value)

跨多列的列操作：

df.select(pl.col("^.*_value$") * 2)  # 正则模式

空值处理：

pl.col("x").fill_null(0)
pl.col("x").is_null()
pl.col("x").drop_nulls()

有关其他最佳实践和模式，请加载references/best_practices.md。

资源

此技能包括全面的参考文档：

references/

• core_concepts.md - 表达式、惰性评估和类型系统的详细解释
• operations.md - 所有常见操作的综合指南，带有示例
• pandas_migration.md - 从pandas到Polars的完整迁移指南
• io_guide.md - 所有支持格式的数据I/O操作
• transformations.md - 连接、连接、透视和重塑操作
• best_practices.md - 性能优化技巧和常见模式

当用户需要有关特定主题的详细信息时，根据需要加载这些参考。