Pandas處理數據太慢，來試試Polars吧！
很多人在學習數據分析的時候，肯定都會用到Pandas這個庫，非常的實用！
從創建數據到讀取各種格式的文件(text、csv、json)，或者對數據進行切片和分割組合多個數據源，Pandas都能夠很好的滿足。
Pandas最初發布于2008年，使用Python、Cython和C編寫的。是一個超級強大、快速和易于使用的Python庫，用于數據分析和處理。
當然Pandas也是有不足之處的，比如不具備多處理器，處理較大的數據集速度很慢。
今天給大家介紹一個新興的Python庫——Polars。
使用語法和Pandas差不多，處理數據的速度卻比Pandas快了不少。
一個是大熊貓，一個是北極熊～
GitHub地址：https://github.com/ritchie46/polars
使用文檔：https://ritchie46.github.io/polars-book/
Polars是通過Rust編寫的一個庫，Polars的內存模型是基于Apache Arrow。
Polars存在兩種API，一種是Eager API，另一種則是Lazy API。
其中Eager API和Pandas的使用類似，語法差不太多，立即執行就能產生結果。
而Lazy API就像Spark，首先將查詢轉換為邏輯計劃，然后對計劃進行重組優化，以減少執行時間和內存使用。
安裝Polars，使用百度pip源。
# 安裝polars
pip install polars -i https://mirror.baidu.com/pypi/simple/
安裝成功后，開始測試，比較Pandas和Polars處理數據的情況。
使用某網站注冊用戶的用戶名數據進行分析，包含約2600萬個用戶名的CSV文件。
文件已上傳公眾號，獲取方式見文末。
import pandas as pd
df = pd.read_csv('users.csv')
print(df)
數據情況如下。
此外還使用了一個自己創建的CSV文件，用以數據整合測試。
import pandas as pd
df = pd.read_csv('fake_user.csv')
print(df)
得到結果如下。
首先比較一下兩個庫的排序算法耗時。
import timeit
import pandas as pd
start = timeit.default_timer()
df = pd.read_csv('users.csv')
df.sort_values('n', ascending=False)
stop = timeit.default_timer()
print('Time: ', stop - start)
-------------------------
Time: 27.555776743218303
可以看到使用Pandas對數據進行排序，花費了大約28s。
import timeit
import polars as pl
start = timeit.default_timer()
df = pl.read_csv('users.csv')
df.sort(by_column='n', reverse=True)
stop = timeit.default_timer()
print('Time: ', stop - start)
-----------------------
Time: 9.924110282212496
Polars只花費了約10s，這意味著Polars比Pandas快了2.7倍。
下面，我們來試試數據整合的效果，縱向連接。
import timeit
import pandas as pd
start = timeit.default_timer()
df_users = pd.read_csv('users.csv')
df_fake = pd.read_csv('fake_user.csv')
df_users.append(df_fake, ignore_index=True)
stop = timeit.default_timer()
print('Time: ', stop - start)
------------------------
Time: 15.556222308427095
使用Pandas耗時15s。
import timeit
import polars as pl
start = timeit.default_timer()
df_users = pl.read_csv('users.csv')
df_fake = pl.read_csv('fake_user.csv')
df_users.vstack(df_fake)
stop = timeit.default_timer()
print('Time: ', stop - start)
-----------------------
Time: 3.475433263927698
Polars居然最使用了約3.5s，這里Polars比Pandas快了4.5倍。
通過上面的比較，Polars在處理速度上表現得相當不錯。
可以是大家在未來處理數據時，另一種選擇～
當然，Pandas目前歷時12年，已經形成了很成熟的生態，支持很多其它的數據分析庫。
Polars則是一個較新的庫，不足的地方還有很多。
如果你的數據集對于Pandas來說太大，對于Spark來說太小，那么Polars便是你可以考慮的一個選擇。
