Polars：从 Pandas 过渡指南

Polars：从 Pandas 过渡指南

如果您已经熟悉 Pandas，那么在使用 Polars 时需要注意一些关键区别。以下是一些典型的 Pandas 操作及其对应的 Polars 实现。

1. 列运算

Pandas

df["a"] = df["b"] * 10
df["c"] = df["b"] * 100

Polars

df = df.with_columns([
    (pl.col("b") * 10).alias("a"),
    (pl.col("b") * 100).alias("c"),
])

Polars 中的列运算支持并发执行，提高性能。

2. 基于判定的列运算

Pandas

df.loc[df["c"] == 2, "a"] = df.loc[df["c"] == 2, "b"]

Polars

df = df.with_column(
    pl.when(pl.col("c") == 2)
    .then(pl.col("b"))
    .otherwise(pl.col("a")).alias("a")
)

Polars 的方式更为简洁，且避免了修改原始 DataFrame。

3. 筛选

Pandas

df.loc[(df['sqft_living'] > 2500) & (df['price'] < 300000)]

Polars

df.filter(
    (pl.col("m2_living") > 2500) & (pl.col("price") < 300000)
)

4. 无需索引列

Polars 不需要索引列，这使得数据处理更简单。

5. Pandas 重塑操作

Pandas

df["size"] = df.groupby("c")["type"].transform(len)

Polars

df = df.select([
    pl.all(),
    pl.col("type").count().over("c").alias("size")
])

Polars 使用窗口函数来达到相同的目的，且可以更高效地处理。
以上代码示例展示了如何将 Pandas 中的常见操作转换为 Polars。更多详细信息和高级用法，请访问原网页。