Polars

Polars

适用场景

• 需要比 pandas 更快的内存 DataFrame 工作流，且数据仍能放入 RAM。
• 正在构建受益于惰性求值和并行执行的 ETL、分析或转换管道。
• 需要基于 Apache Arrow 语义的表达式化表格操作。

概述

Polars 是一个基于 Apache Arrow 构建的极速 DataFrame 库，支持 Python 和 Rust。使用 Polars 的表达式化 API、惰性求值框架和高性能数据操作能力，实现高效数据处理、pandas 迁移和数据管道优化。

快速入门

安装与基本使用

安装 Polars：

uv pip install polars

基本 DataFrame 创建和操作：

import polars as pl

# 创建 DataFrame
df = pl.DataFrame({
    "name": ["Alice", "Bob", "Charlie"],
    "age": [25, 30, 35],
    "city": ["NY", "LA", "SF"]
})

# 选择列
df.select("name", "age")

# 过滤行
df.filter(pl.col("age") > 25)

# 添加计算列
df.with_columns(
    age_plus_10=pl.col("age") + 10
)

核心概念

表达式

表达式是 Polars 操作的基础构建块。它们描述对数据的转换，可以组合、复用和优化。

核心原则：

• 使用 pl.col("column_name") 引用列
• 链式方法构建复杂转换
• 表达式是惰性的，仅在上下文（select、with_columns、filter、group_by）中执行

示例：

# 基于表达式的计算
df.select(
    pl.col("name"),
    (pl.col("age") * 12).alias("age_in_months")
)

惰性求值 vs 立即求值

立即求值（DataFrame）： 操作立即执行

df = pl.read_csv("file.csv")  # 立即读取
result = df.filter(pl.col("age") > 25)  # 立即执行

惰性求值（LazyFrame）： 操作构建查询计划，执行前优化

lf = pl.scan_csv("file.csv")  # 尚未读取
result = lf.filter(pl.col("age") > 25).select("name", "age")
df = result.collect()  # 现在执行优化后的查询

何时使用惰性求值：

• 处理大型数据集
• 复杂查询管道
• 只需要部分列/行
• 性能至关重要

惰性求值的优势：

• 自动查询优化
• 谓词下推
• 投影下推
• 并行执行

如需详细了解概念，加载 references/core_concepts.md。

常用操作

选择列（Select）

选择和操作列：

# 选择特定列
df.select("name", "age")

# 使用表达式选择
df.select(
    pl.col("name"),
    (pl.col("age") * 2).alias("double_age")
)

# 选择匹配模式的所有列
df.select(pl.col("^.*_id$"))

过滤行（Filter）

按条件过滤行：

# 单条件
df.filter(pl.col("age") > 25)

# 多条件（比使用 & 更清晰）
df.filter(
    pl.col("age") > 25,
    pl.col("city") == "NY"
)

# 复杂条件
df.filter(
    (pl.col("age") > 25) | (pl.col("city") == "LA")
)

添加列（With Columns）

添加或修改列，同时保留现有列：

# 添加新列
df.with_columns(
    age_plus_10=pl.col("age") + 10,
    name_upper=pl.col("name").str.to_uppercase()
)

# 并行计算（所有列并行计算）
df.with_columns(
    pl.col("value") * 10,
    pl.col("value") * 100,
)

分组聚合（Group By and Aggregations）

分组数据并计算聚合：

# 基本分组
df.group_by("city").agg(
    pl.col("age").mean().alias("avg_age"),
    pl.len().alias("count")
)

# 多个分组键
df.group_by("city", "department").agg(
    pl.col("salary").sum()
)

# 条件聚合
df.group_by("city").agg(
    (pl.col("age") > 30).sum().alias("over_30")
)

如需详细了解操作模式，加载 references/operations.md。

聚合与窗口函数

聚合函数

group_by 上下文中的常用聚合：

• pl.len() - 计数行数
• pl.col("x").sum() - 求和
• pl.col("x").mean() - 平均值
• pl.col("x").min() / pl.col("x").max() - 极值
• pl.first() / pl.last() - 首值/末值

使用 over() 的窗口函数

在保留行数的同时应用聚合：

# 为每行添加分组统计
df.with_columns(
    avg_age_by_city=pl.col("age").mean().over("city"),
    rank_in_city=pl.col("salary").rank().over("city")
)

# 多个分组列
df.with_columns(
    group_avg=pl.col("value").mean().over("category", "region")
)

映射策略：

• group_to_rows（默认）：保留原始行顺序
• explode：更快但会将行分组在一起
• join：创建列表列

数据 I/O

支持的格式

Polars 支持读写：

• CSV、Parquet、JSON、Excel
• 数据库（通过连接器）
• 云存储（S3、Azure、GCS）
• Google BigQuery
• 多文件/分区文件

常用 I/O 操作

CSV：

# 立即求值
df = pl.read_csv("file.csv")
df.write_csv("output.csv")

# 惰性求值（大文件推荐）
lf = pl.scan_csv("file.csv")
result = lf.filter(...).select(...).collect()

Parquet（性能推荐）：

df = pl.read_parquet("file.parquet")
df.write_parquet("output.parquet")

JSON：

df = pl.read_json("file.json")
df.write_json("output.json")

如需完整的 I/O 文档，加载 references/io_guide.md。

数据转换

连接（Joins）

合并 DataFrame：

# 内连接
df1.join(df2, on="id", how="inner")

# 左连接
df1.join(df2, on="id", how="left")

# 不同列名连接
df1.join(df2, left_on="user_id", right_on="id")

拼接（Concatenation）

堆叠 DataFrame：

# 垂直拼接（堆叠行）
pl.concat([df1, df2], how="vertical")

# 水平拼接（添加列）
pl.concat([df1, df2], how="horizontal")

# 对角拼接（不同 schema 的并集）
pl.concat([df1, df2], how="diagonal")

透视与逆透视（Pivot and Unpivot）

重塑数据：

# 透视（宽格式）
df.pivot(values="sales", index="date", columns="product")

# 逆透视（长格式）
df.unpivot(index="id", on=["col1", "col2"])

如需详细的转换示例，加载 references/transformations.md。

从 Pandas 迁移

Polars 提供了比 pandas 显著的性能提升和更简洁的 API。主要区别：

概念差异

• 无索引：Polars 仅使用整数位置
• 严格类型：无静默类型转换
• 惰性求值：通过 LazyFrame 实现
• 默认并行：操作自动并行化

常用操作对照

关键语法模式

Pandas 顺序执行（慢）：

df.assign(
    col_a=lambda df_: df_.value * 10,
    col_b=lambda df_: df_.value * 100
)

Polars 并行执行（快）：

df.with_columns(
    col_a=pl.col("value") * 10,
    col_b=pl.col("value") * 100,
)

如需完整的迁移指南，加载 references/pandas_migration.md。

最佳实践

性能优化

1. 对大型数据集使用惰性求值：

   lf = pl.scan_csv("large.csv")  # 不要使用 read_csv
   result = lf.filter(...).select(...).collect()
   

2. 避免在热路径中使用 Python 函数：

   • 保持在表达式 API 内以实现并行化
   • 仅在必要时使用 .map_elements()
   • 优先使用 Polars 原生操作

3. 对超大数据使用流式处理：

   lf.collect(streaming=True)
   

4. 尽早选择所需列：

   # 好：尽早选择列
   lf.select("col1", "col2").filter(...)
   
   # 差：先过滤所有列
   lf.filter(...).select("col1", "col2")
   

5. 使用适当的数据类型：

   • 低基数字符串使用 Categorical
   • 适当的整数大小（i32 vs i64）
   • 时间数据使用日期类型

表达式模式

条件操作：

pl.when(condition).then(value).otherwise(other_value)

跨多列的列操作：

df.select(pl.col("^.*_value$") * 2)  # 正则模式

空值处理：

pl.col("x").fill_null(0)
pl.col("x").is_null()
pl.col("x").drop_nulls()

如需更多最佳实践和模式，加载 references/best_practices.md。

资源

本技能包含完整的参考文档：

references/

• core_concepts.md - 表达式、惰性求值和类型系统的详细说明
• operations.md - 所有常用操作的综合指南及示例
• pandas_migration.md - 从 pandas 迁移到 Polars 的完整指南
• io_guide.md - 所有支持格式的数据 I/O 操作
• transformations.md - 连接、拼接、透视和重塑操作
• best_practices.md - 性能优化技巧和常用模式

当用户需要特定主题的详细信息时，按需加载这些参考文档。

限制

• 仅当任务明确符合上述描述的范围时使用此技能。
• 不要将输出作为环境特定验证、测试或专家审查的替代品。
• 如果缺少必要的输入、权限、安全边界或成功标准，请停止并请求澄清。