从Pandas快速切换到Polars ：数据的ETL和查询

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，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。

我们以前的两篇文章来测试Pandas 1.5.3、polar和Pandas 2.0.0之间的性能了，Polars 正好可以解决大数据量是处理的问题，所以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。

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_index=True)
 #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：

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()

 # 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()

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)

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"))

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"]))

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))

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))

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://avoid.overfit.cn/post/de7324ae4d3541d184e1c5eb579273db