摘要
十多年来,Pandas 一直是 Python 中数据框架库的黄金标准,也是处理表格数据集的首选工具。大多数(如果不是全部)与第三方应用程序的连接器在处理数据集时都使用了 Pandas API。事实上,Pandas 已经成为事实标准,而且可能会继续保持这个地位。
近期出现了 Polars库。Polars 是一个“用于 Rust 和 Python 的高速 DataFrame 库”,构建在 Apache Arrow 内存格式之上。Polars 的卖点是速度,这在 H2O.ai 的基准测试中得到了证明,主要针对数据库操作,如连接、分组和聚合。然而,我特别关注 Polars 在 I/O 性能上与 Pandas 的比较。在本文中,我们将探讨 Polars 和 Pandas 在读取和写入的性能。a
数据集
file | Rows | Columns | size |
---|
medium.csv | 2200000 | 27 | 1.1G |
medium.csv | 2200000 | 3 | 121M |
large.csv | 100000000 | 3 | 5.4G |
large.csv | 100000000 | 12 | 22G |
测试代码
import polars as pl
import pandas as pd
import numpy as np
from pathlib import Path
def write_to_csv_use_pl(df, file_path: Path):
if file_path.exists():
file_path.unlink()
df.write_csv(str(file_path))
def write_to_csv_use_pd(df, file_path: Path):
if file_path.exists():
file_path.unlink()
df.to_csv(str(file_path), index=False)
def read_csv_use_pl(file_path: Path):
return pl.read_csv(str(file_path))
def read_csv_use_pd(file_path: Path):
return pd.read_csv(str(file_path))
# 构造数据代码
def construct_dataset_pd(rows, columns):
data = np.random.rand(rows, columns)
df = pd.DataFrame(data)
return df
def construct_dataset_pl(rows, columns):
data = np.random.rand(rows, columns)
df = pd.DataFrame(data)
return pl.from_pandas(df)
测试结果
机器配置
file | Rows | Columns | size | pandas write | polars write | pandas read | polars read |
---|
medium.csv | 2200000 | 3 | 121M | 1.02 s ± 169 ms | 333 ms ± 14.9 ms | 10.5 s ± 726 ms | 65.6 ms ± 1.84 ms |
medium1.csv | 2200000 | 27 | 1.1G | 1min 17s ± 1.95 s | 1.43 s ± 148 ms | 15.2 s ± 646 ms | 570 ms ± 42.6ms |
large.csv | 100000000 | 3 | 5.4G | 7min 40s ± 9.41 s | 13.3 s ± 2.01 s | 38.1 s ± 1.98 s | 3.24 s ± 79.6 ms |
large1.csv | 100000000 | 12 | 22G | - | - | - | - |
机器配置
file | Rows | Columns | size | pandas write | polars write | pandas read | polars read |
---|
medium.csv | 2200000 | 3 | 121M | 3.65 s ± 3.28 ms | 213 ms ± 3.66 ms | 351 ms ± 935 µs | 26.9 ms ± 1.2 ms |
medium1.csv | 2200000 | 27 | 1.1G | 27.8 s ± 51.9 ms | 1.1 s ± 43.3 ms | 3.52 s ± 46.8 ms | 160 ms ± 10.8 ms |
large.csv | 100000000 | 3 | 5.4G | 2min 45s ± 633 ms | 9 s ± 1.05 s | 18.1 s ± 1.22 s | 1.05 s ± 63.3 ms |
large1.csv | 100000000 | 12 | 22G | - | 1min ± 8.15 s | - | 9.97 s ± 1.79 s |
总结
Polars 能够使用CPU的多核能力,比起Pandas只能使用一个核,能过极大提高其工作效率。