查网站开发者,怎么建网站锦州,中建豪城建设有限公司网站,网站备案号注销查询对于我们日常的数据清理、预处理和分析方面的大多数任务#xff0c;Pandas已经绰绰有余。但是当数据量变得非常大时#xff0c;它的性能开始下降。
本文将介绍如何将日常的数据ETL和查询过滤的Pandas转换成polars。
图片
Polars的优势 Polars是一个用于Rust和Python的Data…对于我们日常的数据清理、预处理和分析方面的大多数任务Pandas已经绰绰有余。但是当数据量变得非常大时它的性能开始下降。
本文将介绍如何将日常的数据ETL和查询过滤的Pandas转换成polars。
图片
Polars的优势 Polars是一个用于Rust和Python的DataFrame库。
Polars利用机器上所有可用的内核而pandas使用单个CPU内核来执行操作。
Polars比pandas相对轻量级没有依赖关系这使得导入Polars的速度更快。导入Polars只需要70毫秒而导入pandas需要520毫秒。
Polars进行查询优化减少了不必要的内存分配。它还能够以流方式部分或全部地处理查询。
Polars可以处理比机器可用RAM更大的数据集。
ETL Extract, Transform, and Load (ETL)的过程是怎样的:
“提取、转换和加载(ETL)是将来自多个数据源的数据组合到称为数据仓库的过程。ETL使用一组业务规则来清理和组织原始数据并为存储、数据分析和机器学习(ML)做好准备。可以通过数据分析解决特定的业务智能需求(例如预测业务决策的结果、生成报告、减少操作效率低下等等)。(来源:AWS)
Polars和Pandas都支持从各种来源读取数据包括CSV、Parquet和JSON。
df pl.read_csv(‘data.csv’) df pl.read_parquet(‘data.parquet’) df pl.read_json(‘data.json’) 对于数据的读取方面和Pandas基本一致。
转换是ETL中最重要、最困难和最耗时的步骤。
polar支持Pandas函数的一个子集所以我们可以使用熟悉的Pandas函数来执行数据转换。
df df.select([‘A’, ‘C’]) df df.rename({‘A’: ‘ID’, ‘C’: ‘Total’}) df df.filter(pl.col(‘A’) 2) df df.groupby(‘A’).agg({‘C’: ‘sum’}) 这些Pandas函数都可以直接使用。
创建新列
df df.with_column(pl.col(‘Total’) / 2, ‘Half Total’) 处理空值
df df.fill_null(0) df_filled df.fill_null(‘backward’) df df.fillna(method‘ffill’) Dataframe 的合并
#pandas df_join pd.merge(df1, df2, on‘A’) #polars df_join df1.join(df2, on‘A’) 连接两个DF
#pandas df_union pd.concat([df1, df2], ignore_indexTrue) #polars df_union pl.vstack([df1, df2]) polar使用与Pandas相同的函数来将数据保存到CSV、JSON和Parquet文件中。
CSV
df.to_csv(file)
JSON
df.to_json(file)
Parquet
df.to_parquet(file) 最后如果你还需要使用Pandas做一些特殊的操作可以使用:
df.to_pandas() 这可以将polar的DF转换成pandas的DF。
最后我们整理一个简单的表格
图片
数据的查询过滤 我们的日常工作中数据的查询是最重要也是用的最多的所以在这里我们再整理下查询过滤的操作。
首先创建一个要处理的DataFrame。
pandas
import pandas as pd
read csv
df_pd pd.read_csv(“datasets/sales_data_with_stores.csv”)
display the first 5 rows
df_pd.head() 图片
polars
import polars as pl
read_csv
df_pl pl.read_csv(“datasets/sales_data_with_stores.csv”)
display the first 5 rows
df_pl.head() 图片
polars首先显示了列的数据类型和输出的形状这对我们来说非常好。下面我们进行一些查询我们这里只显示一个输出因为结果都是一样的
1、按数值筛选
pandas
df_pd[df_pd[“cost”] 750] df_pd.query(‘cost 750’)
polars
df_pl.filter(pl.col(“cost”) 750) 图片
2、多个条件查询
pandas和polar都支持根据多个条件进行过滤。我们可以用“and”和“or”逻辑组合条件。
pandas
df_pd[(df_pd[“cost”] 750) (df_pd[“store”] “Violet”)]
polars
df_pl.filter((pl.col(“cost”) 750) (pl.col(“store”) “Violet”)) 图片
3、isin
pandas的isin方法可用于将行值与值列表进行比较。当条件包含多个值时它非常有用。这个方法的polar版本是 is_in 。
pandas
df_pd[df_pd[“product_group”].isin([“PG1”, “PG2”, “PG5”])]
polars
df_pl.filter(pl.col(“product_group”).is_in([“PG1”, “PG2”, “PG5”])) 图片
4、选择列的子集
为了选择列的子集我们可以将列名传递给pandas和polar如下所示:
cols [“product_code”, “cost”, “price”]
pandas (both of the following do the job)
df_pd[cols] df_pd.loc[:, cols]
polars
df_pl.select(pl.col(cols)) 图片
5、选择行子集
pandas中可以使用loc或iloc方法选择行。在polar则更简单。
pandas
df_pd.iloc[10:20]
polars
df_pl[10:20] 选择相同的行但只选择前三列:
pandas
df_pd.iloc[10:20, :3]
polars
df_pl[10:20, :3] 如果要按名称选择列
pandas
df_pd.loc[10:20, [“store”, “product_group”, “price”]]
polars
df_pl[10:20, [“store”, “product_group”, “price”]] 按数据类型选择列
我们还可以选择具有特定数据类型的列。
pandas
df_pd.select_dtypes(include“int64”)
polars
df_pl.select(pl.col(pl.Int64)) 图片
总结 可以看到polar与pandas非常相似所以如果在处理大数据集的时候我们可以尝试使用polar因为它在处理大型数据集时的效率要比pandas高我们这里只介绍了一些简单的操作如果你想了解更多请看polar的官方文档:
https://pola-rs.github.io/polars-book/user-guide/coming_from_pandas.html
