Pandas是数据科学家处理数据的最重要的Python软件包之一。Pandas库主要用于数据探索和可视化，它随带大量的内置函数。Pandas无法处理大型数据集，因为它无法在CPU的所有核心上扩展或分布进程。
为了加快计算速度，您可以使用CPU的所有核心，并加快工作流程。有各种开源库，包括Dask、Vaex、Modin、Pandarallel和PyPolars等，它们可以在CPU的多个核心上并行处理计算。我们在本文中将讨论PyPolars库的实现和用法，并将其性能与Pandas库进行比较。
PyPolars是什么?
PyPolars是一个类似Pandas的开源Python数据框库。PyPolars利用CPU的所有可用核心，因此处理计算比Pandas更快。PyPolars有一个类似Pandas的API。它是用Rust和Python包装器编写的。
理想情况下，当数据对于Pandas而言太大、对于Spark而言太小时，使用 PyPolars。
PyPolars如何工作?
PyPolars库有两个API，一个是Eager API，另一个是Lazy API。Eager API与Pandas的API非常相似，执行完成后立即获得结果，这类似Pandas。Lazy API与Spark非常相似，一执行查询，就形成地图或方案。然后在CPU的所有核心上并行执行。
图1. PyPolars API
PyPolars基本上是连接到Polars库的Python绑定。PyPolars库好用的地方是，其API与Pandas相似，这使开发人员更容易使用。
安装：
可以使用以下命令从PyPl安装 PyPolars：
pip install py-polars
并使用以下命令导入库：
iport pypolars as pl
基准时间约束：
为了演示，我使用了一个含有2500万个实例的大型数据集(~6.4Gb)。
图2. Pandas和Py-Polars基本操作的基准时间数
针对使用Pandas和PyPolars库的一些基本操作的上述基准时间数，我们可以观察到 PyPolars几乎比Pandas快2到3倍。
现在我们知道PyPolars有一个与Pandas非常相似的API，但仍没有涵盖Pandas的所有函数。比如说，PyPolars中就没有.describe()函数，相反我们可以使用df_pypolars.to_pandas().describe()。
用法：
import pandas as pd
import numpy as np
import pypolars as pl
import time
WARNING!
py-polars was renamed to polars, please install polars!
https://pypi.org/project/polars/
path = "data.csv"
读取数据：
s = time.time()
df_pandas = pd.read_csv(path)
e = time.time()
pd_time = e – s
print("Pandas Loading Time = {}".format(pd_time))
C:\ProgramData\Anaconda3\lib\site-packages\IPython\core\interactiveshell.py:3071: DtypeWarning: Columns (2,7,14) have mixed types.Specify dtype option on import or set low_memory=False.
has_raised = await self.run_ast_nodes(code_ast.body, cell_name,
Pandas Loading Time = 217.1734380722046
s = time.time()
df_pypolars = pl.read_csv(path)
e = time.time()
pl_time = e – s
print("PyPolars Loading Time = {}".format(pl_time))
PyPolars Loading Time = 114.0408570766449
shape：
s = time.time()
print(df_pandas.shape)
e = time.time()
pd_time = e – s
print("Pandas Shape Time = {}".format(pd_time))
(25366521, 19)
Pandas Shape Time = 0.0
s = time.time()
print(df_pypolars.shape)
e = time.time()
pl_time = e – s
print("PyPolars Shape Time = {}".format(pl_time))
(25366521, 19)
PyPolars Shape Time = 0.0010192394256591797
过滤：
s = time.time()
temp = df_pandas[df_pandas['PAID_AMT']>500]
e = time.time()
pd_time = e – s
print("Pandas Filter Time = {}".format(pd_time))
Pandas Filter Time = 0.8010377883911133
s = time.time()
temp = df_pypolars[df_pypolars['PAID_AMT']>500]
e = time.time()
pl_time = e – s
print("PyPolars Filter Time = {}".format(pl_time))
PyPolars Filter Time = 0.7790462970733643
Groupby：
s = time.time()
temp = df_pandas.groupby(by="MARKET_SEGMENT").agg({'PAID_AMT':np.sum, 'QTY_DISPENSED':np.mean})
e = time.time()
pd_time = e – s
print("Pandas GroupBy Time = {}".format(pd_time))
Pandas GroupBy Time = 3.5932095050811768
s = time.time()
temp = df_pypolars.groupby(by="MARKET_SEGMENT").agg({'PAID_AMT':np.sum, 'QTY_DISPENSED':np.mean})
e = time.time()
pd_time = e – s
print("PyPolars GroupBy Time = {}".format(pd_time))
PyPolars GroupBy Time = 1.2332513110957213
运用函数：
%%time
s = time.time()
temp = df_pandas['PAID_AMT'].apply(round)
e = time.time()
pd_time = e – s
print("Pandas Loading Time = {}".format(pd_time))
Pandas Loading Time = 13.081078290939331
Wall time: 13.1 s
s = time.time()
temp = df_pypolars['PAID_AMT'].apply(round)
e = time.time()
pd_time = e – s
print("PyPolars Loading Time = {}".format(pd_time))
PyPolars Loading Time = 6.03610580444336
值计算：
%%time
s = time.time()
temp = df_pandas['MARKET_SEGMENT'].value_counts()
e = time.time()
pd_time = e – s
print("Pandas ValueCounts Time = {}".format(pd_time))
Pandas ValueCounts Time = 2.8194501399993896
Wall time: 2.82 s
%%time
s = time.time()
temp = df_pypolars['MARKET_SEGMENT'].value_counts()
e = time.time()
pd_time = e – s
print("PyPolars ValueCounts Time = {}".format(pd_time))
PyPolars ValueCounts Time = 1.7622406482696533
Wall time: 1.76 s
