6.6K Star,比 Pandas 快很多的数据处理库
Posted 我爱Python数据挖掘
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了6.6K Star,比 Pandas 快很多的数据处理库相关的知识,希望对你有一定的参考价值。
Polars 是一个使用 Apache Arrow 列格式作为内存模型,用Rust实现的,在Rust, Python以及Node.js中均可使用的速度极快的数据帧库。
它有以下几个特点:
-
懒|立即执行
-
多线程
-
SIMD
-
查询优化
-
强大的表达式API
-
支持多种语言:Rust、Python 等
了解更多内容可以点击这个用户指南[1]。
Python代码示例
>>> df = pl.DataFrame(
...
... "A": [1, 2, 3, 4, 5],
... "fruits": ["banana", "banana", "apple", "apple", "banana"],
... "B": [5, 4, 3, 2, 1],
... "cars": ["beetle", "audi", "beetle", "beetle", "beetle"],
...
... )
# embarrassingly parallel execution
# very expressive query language
>>> (
... df
... .sort("fruits")
... .select(
... [
... "fruits",
... "cars",
... pl.lit("fruits").alias("literal_string_fruits"),
... pl.col("B").filter(pl.col("cars") == "beetle").sum(),
... pl.col("A").filter(pl.col("B") > 2).sum().over("cars").alias("sum_A_by_cars"), # groups by "cars"
... pl.col("A").sum().over("fruits").alias("sum_A_by_fruits"), # groups by "fruits"
... pl.col("A").reverse().over("fruits").alias("rev_A_by_fruits"), # groups by "fruits
... pl.col("A").sort_by("B").over("fruits").alias("sort_A_by_B_by_fruits"), # groups by "fruits"
... ]
... )
... )
shape: (5, 8)
┌──────────┬──────────┬──────────────┬─────┬─────────────┬─────────────┬─────────────┬─────────────┐
│ fruits ┆ cars ┆ literal_stri ┆ B ┆ sum_A_by_ca ┆ sum_A_by_fr ┆ rev_A_by_fr ┆ sort_A_by_B │
│ --- ┆ --- ┆ ng_fruits ┆ --- ┆ rs ┆ uits ┆ uits ┆ _by_fruits │
│ str ┆ str ┆ --- ┆ i64 ┆ --- ┆ --- ┆ --- ┆ --- │
│ ┆ ┆ str ┆ ┆ i64 ┆ i64 ┆ i64 ┆ i64 │
╞══════════╪══════════╪══════════════╪═════╪═════════════╪═════════════╪═════════════╪═════════════╡
│ "apple" ┆ "beetle" ┆ "fruits" ┆ 11 ┆ 4 ┆ 7 ┆ 4 ┆ 4 │
├╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌┤
│ "apple" ┆ "beetle" ┆ "fruits" ┆ 11 ┆ 4 ┆ 7 ┆ 3 ┆ 3 │
├╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌┤
│ "banana" ┆ "beetle" ┆ "fruits" ┆ 11 ┆ 4 ┆ 8 ┆ 5 ┆ 5 │
├╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌┤
│ "banana" ┆ "audi" ┆ "fruits" ┆ 11 ┆ 2 ┆ 8 ┆ 2 ┆ 2 │
├╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌┤
│ "banana" ┆ "beetle" ┆ "fruits" ┆ 11 ┆ 4 ┆ 8 ┆ 1 ┆ 1 │
└──────────┴──────────┴──────────────┴─────┴─────────────┴─────────────┴─────────────┴─────────────┘
性能
Polars速度非常快,事实上,它是目前性能最好的解决方案之一。具体可参见h2oai’s db基准测试结果[2]。
此处我们自己用一些示例代码来对比python中pandas和polars处理数据的速度差距。
import pandas as pd
import polars as pl
import timeit
# 读取时间对比
start_df = timeit.default_timer()
df = pd.read_csv("/Users/lenskit/Desktop/aa.csv")
df = df.sort_values("company_name", ascending=False).head()
stop_df = timeit.default_timer()
print('time: ', stop_df - start_df)
start_pl = timeit.default_timer()
data = pl.read_csv("/Users/lenskit/Desktop/aa.csv")
data.sort(by="company_name", reverse=True).head()
stop_pl = timeit.default_timer()
print('time1: ', stop_pl - start_pl)
# 纵向拼接时间对比
start_df1 = timeit.default_timer()
df_1 = pd.read_csv('/Users/lenskit/Desktop/aa.csv')
df_2 = pd.read_csv('/Users/lenskit/Desktop/bb.csv')
df_1.append(df_2, ignore_index=True)
stop_df1 = timeit.default_timer()
print('time2: ', stop_df1 - start_df1)
start_pl1 = timeit.default_timer()
pl_1 = pl.read_csv('/Users/lenskit/Desktop/aa.csv')
pl_2 = pl.read_csv('/Users/lenskit/Desktop/bb.csv')
pl_1.vstack(pl_2)
stop_pl1 = timeit.default_timer()
print('time3: ', stop_pl1 - start_pl1)
time: 5.088931238
time1: 0.8967700230000002
time2: 4.707102063
time3: 0.639797883
可以看到在读取文件上,polars比pandas速度快了5倍多,在数据纵向拼接上,polars比pandas快了有7倍多。
Python安装
用如下语句安装最新的polars版本:
$ pip3 install -U polars[pyarrow]
目前polars的更新频率很高(每周/每隔几天),所以最好定期更新一下polars来获得最新的错误修复/功能。
Rust安装
您可以从crates.io获取最新版本,或者如果你想使用最新的功能/性能改进,可以用如下命令指向版本的master分支。
polars = git = "https://github.com/pola-rs/polars", rev = "<optional git tag>"
注意需要Rust version >=1.58
文档
想知道Polars支持的所有功能吗?阅读文档!
Python
-
安装指南:
$ pip3 install polars
-
Python文档[3]
-
用户指南[4]
Rust
-
Rust文件(主分支)[5]
-
用户指南[6]
Node
-
安装指南:
yarn install nodejs-polars
-
Node文档[7]
-
用户指南[8]
[Python]: 从源代码编译polars
如果你想要获取最前沿的版本或最大的性能,你应该从源代码编译Polar。
这可以通过按顺序执行以下步骤来完成:
-
1、安装最新的Rust编译器[9]
-
2、安装maturin[10]:
$ pip3 install maturin
-
3、选择以下任一:
-
最快的二进制文件,非常长的编译时间:
-
$ cd py-polars && maturin develop --rustc-extra-args="-C target-cpu=native" --release
-
较快的二进制文件,短一些的编译时间:
-
$ cd py-polars && maturin develop --rustc-extra-args="-C codegen-units=16 -C lto=
需要注意的是,Python实现的Rust crate被称为py-polars
,以区别于Rust crate包polars
本身。然而,Python包和Python模块都被命名为polars
,所以你可以pip install polars
和import polars
。
Arrow2
Polars已经转移到arrow2[11]。Arrow2是Apache Arrow Columnar Format[12]更快、更安全的实现。Arrow2还具有更细粒度的代码库,有助于减少编译器膨胀。
参考资料
[1]用户指南: https://pola-rs.github.io/polars-book/
[2]h2oai’s db基准测试结果: https://h2oai.github.io/db-benchmark/
[3]Python文档: https://pola-rs.github.io/polars/py-polars/html/reference/index.html
[4]用户指南: https://pola-rs.github.io/polars-book/user-guide/index.html
[5]Rust文件(主分支): https://pola-rs.github.io/polars/polars/index.html
[6]用户指南: https://pola-rs.github.io/polars-book/user-guide/index.html
[7]Node文档: https://pola-rs.github.io/polars/nodejs-polars/html/index.html
[8]用户指南: https://pola-rs.github.io/polars-book/user-guide/index.html
[9]Rust编译器: https://www.rust-lang.org/tools/install
[10]maturin: https://maturin.rs/
[11]arrow2: https://crates.io/crates/arrow2
[12]Apache Arrow Columnar Format: https://arrow.apache.org/docs/format/Columnar.html
推荐文章
技术交流
欢迎转载、收藏、有所收获点赞支持一下!数据、代码可以找我获取
目前开通了技术交流群,群友已超过2000人,添加时最好的备注方式为:来源+兴趣方向,方便找到志同道合的朋友
- 方式①、发送如下图片至微信,长按识别,后台回复:加群;
- 方式②、添加微信号:dkl88191,备注:来自CSDN
- 方式③、微信搜索公众号:Python学习与数据挖掘,后台回复:加群
以上是关于6.6K Star,比 Pandas 快很多的数据处理库的主要内容,如果未能解决你的问题,请参考以下文章
世界上最快的内存数据库横空出世,比 Redis 快 25 倍,Star 数飙升,杀疯了!
世界上最快的内存数据库横空出世,比 Redis 快 25 倍,Star 数飙升,杀疯了!
世界上最快的内存数据库横空出世,比 Redis 快 25 倍,Star 数飙升,杀疯了!
世界上最快的内存数据库横空出世,比 Redis 快 25 倍,Star 数飙升,杀疯了!