Polars 是一个开源且相对较新的数据分析和处理库,为广泛流行的 Pandas 库提供了
根据 Polars 用户指南,其目标是 “利用机器上的所有可用内核,以提供一个闪电般快速的 DataFrame 库。”
与 Polars 相比,Pandas 本身并不跨计算机核心并行处理。而 Polars 是为并行化而设计的。
延迟执行是在你需要结果之前不会运行。因此它避免了运行不必要的代码,所以延迟执行比急切执行更有效。
对于延迟执行,你必须使用y() 方法开始操作。然后你就可以为你想做的任何事情编写代码。
下面,我们来一起探讨一下 Polars 与 Pandas 在语法和执行时间方面的主要区别。主要从以下几个操作来进行比较。
分别使用 Pandas 和 Polars 读取示例数据集的执行时间如下所示:
对于我们的示例数据集,使用 Pandas 读取数据所需的时间大约是使用 Polars 的八倍。
尽管相同的 Pandas 代码可以在 Polars 上运行,但这不是最佳实践。
对于我们的示例数据集,使用 Pandas 选择数据所需的时间大约是使用 Polars 的 15 倍。
对于我们的示例数据集,在 Pandas 和 Polars 中过滤数据所需的时间相似。
在 Polars 中创建新列的方法也与你在 Pandas 中的习惯不同。
对于我们的示例数据集,使用 Polars 创建新列所需的时间大约是使用 Pandas 的两倍。
在 Pandas 和 Polars 中对数据进行分组和聚合的最终执行时间如下所示。
对于我们的示例数据集,使用 Pandas 聚合数据所需的时间大约是使用 Polars 的两倍。
如果你需要对大型数据集进行大量数据处理,那么你绝对应该尝试 Polars。
此外,你可能还发现,对于相同的操作,Polars 代码通常比 Pandas 代码长一些。
以上就是python polars数据科学库对比Pandas优势分析的详细内容,更多关于python polars数据科学库的资料请关注脚本之家其它相关文章!