Pandas对比Polars，语法和速度大PK

Python学研大本营

已于 2023-11-10 15:02:08 修改

阅读量123

点赞数

文章标签： pandas

于 2023-11-10 14:37:35 首次发布

本文链接：https://blog.csdn.net/weixin_39915649/article/details/134332722

版权

Pandas对比Polars，本文带你了解用于数据科学的Pandas和Polars库之间的主要区别。

微信搜索关注《Python学研大本营》，加入读者群，分享更多精彩

Pandas是数据科学中必不可少的Python库。但其最大的缺点是对大型数据集的操作速度较慢。Polars是一种旨在更快地处理数据的Pandas替代方案。

Polars是一种旨在更快地处理数据的Pandas替代方案。

本文简要介绍了Polars Python包，并将其与流行的数据科学库Pandas在语法和速度方面进行了比较。

什么是Polars，为什么它比Pandas更快？
基准测试设置
开始使用Polars
Pandas和Polars的比较
∘ 读取数据
∘ 选择和过滤数据
∘ 创建新列
∘ 分组和聚合
∘ 缺失数据
结论

本文的相关代码可在Kaggle Notebook中找到，链接如下：

https://www.kaggle.com/code/iamleonie/pandas-vs-polars

什么是Polars，为什么它比Pandas更快？

根据Polars的用户指南[1]，其目标是“提供一个利用计算机上所有可用核心的闪电般快速的DataFrame库。”

与Polars不同，Pandas不会在计算机核心之间进行原生的并行处理。其他工具如Dask是建立在Pandas库的基础上尝试进行并行处理。相反，Polars是专为并行化而设计的，并从头开始搭建。虽然它是用Rust编写的，但Polars有一个Python包，这使得它成为Pandas的潜在替代方案。

Polars有两种不同的API：急切API和惰性API。

急切的执行方式类似于Pandas。这意味着直接运行代码，并立即返回结果。

另一方面，惰性执行是在你需要结果时才运行。由于它避免了运行不必要的代码，因此惰性执行可以比急切执行更高效。

对于惰性执行，必须使用.lazy()方法开始操作。然后可以为你想做的任何事情编写要执行的代码。最后需要运行.collect()方法来显示结果。

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

如果你不运行.collect()方法，则不会立即执行操作。相反，你将看到执行图。

Polars惰性执行的示例执行图

基准测试设置

本基准测试设置使用了一个虚构的数据集，其中包含每种数据类型的一列。为了减少时间上的噪声以便进行比较，该虚构数据集包含400万行，几乎有1GB大小，正如[2]中建议的那样。

用于比较Pandas和Polars基准测试的虚构数据集头部

在下文中，我们将使用%%timeit -n32 -r4对执行进行计时。

开始使用Polars

要设置Polars，只需使用pip安装它。

pip install polars

之后，可以像使用Pandas一样导入Polars Python包。

import polars as pl
import pandas as pd

现在，准备工作都已完成。

Pandas和Polars的比较

Pandas和Polars（急切API）在语法方面看起来很相似，因为它们具有共享的主要搭建模块：Series和DataFrames。

此外，Polars中的许多表达式也与Pandas表达式相似：

# 适用于Pandas和Polars的示例表达式
df.head() # 获取前n行的数据
df.tail() # 获取最后n行的数据
df.unique() # 获取此表达式的唯一值。

但是，根据Polars用户指南[1]，“如果你的Polars代码看起来像是Pandas代码，它可能会运行，但很可能比它应该运行的速度慢。”

本节将探讨Polars包在语法和执行时间方面与Pandas的主要不同之处：

读取数据
选择和过滤数据
创建新列
分组和聚合
缺失数据

读取数据

在Polars中读取CSV文件会感觉很熟悉，因为可以像在Pandas中一样使用.read_csv()方法：

# Pandas
pd.read_csv('example.csv')

# Polars
pl.read_csv('example.csv')

在Pandas和Polars中读取样本数据集的结果执行时间如下所示：

Pandas和Polars之间读取时间的比较

对于我们的样本数据集，使用Pandas读取数据比使用Polars慢8倍左右。

选择和过滤数据

Pandas和Polars之间的第一个主要区别是Polars不使用索引[1]。相反，每行都以其在DataFrame中的整数位置为索引[1]。

虽然相同的Pandas代码也可以在Polars中运行，但这并不是最佳实践。在Polars中，应该使用.select()方法来选择数据。

# Pandas
df[['col1', 'col2']] 

# 上述代码也可以在Polars中运行，
# 但在Polars中的正确方式是：
df.select(pl.col(['col1', 'col2']))

在Pandas和Polars中选择数据的执行时间结果显示如下：

Pandas和Polars之间选择时间的比较

对于我们的样本数据集，使用Pandas选择数据比使用Polars慢15倍左右（约为70.3微秒）。

下面比较了在文档中建议的Polars操作语法（使用.select()，左侧）和Pandas语法（使用df[['col1'，'col2']]，右侧）。令人意外的是，Pandas语法比建议的.select()方法快得多。

Polars和具有Pandas语法的Polars之间选择时间的比较（df[[‘col1’，‘col2’]]）

在Pandas中，你可以使用.query()方法过滤数据，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中过滤数据的执行时间结果显示如下：

Pandas和Polars之间过滤时间的比较

对于我们的样本数据集，使用Pandas和Polars过滤数据的时间大致相同。

与Pandas不同，Polars可以在.select()和.filter()中并行运行操作。

创建新列

在Polars中创建新列也与在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，具体取决于你要创建多少列。

# 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中创建一个新列的结果执行时间如下：

Pandas和Polars之间创建新列的时间比较

对于我们的样本数据集，在Polars中创建新列需要比Pandas长两倍左右的时间。

分组和聚合

在Pandas和Polars中，分组和聚合在语法上略有不同，但两者都使用.groupby()和.agg()方法。

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

# Polars
# df.groupby('col1').agg([pl.col('col2').mean()]) # 建议使用的Polars方法
df.groupby('col1').agg([pl.mean('col2')]) # 简短的语法

在Pandas和Polars中对数据进行分组和聚合的执行时间如下：

Pandas和Polars之间聚合时间的比较

对于我们的样本数据集，使用Pandas聚合数据需要比使用Polars长两倍左右的时间。

缺失数据

Pandas和Polars之间的另一个主要区别是，Pandas使用NaN值表示缺失值，而Polars使用null[1]。

Pandas和Polars如何在DataFrames中表示缺失值

因此，应该使用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))) # 建议使用的Polars方法
df_pd.with_column(pl.col('col2').fill_null(-999)) # 简短的语法