alterlab-polars

Polars

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 基于表达式的 API、惰性求值框架和高性能数据处理功能，高效完成数据处理、pandas 迁移和数据管道优化。

何时使用此技能

• pandas 代码运行太慢，但数据（或惰性查询涉及的列）可以装入一台机器
• 使用惰性扫描（scan_csv、scan_parquet）和查询优化构建 ETL 或特征处理管道
• 将 pandas 代码迁移到 Polars 表达式 API
• 对大型内存表使用窗口函数、连接和分组聚合

不适用的场景

场景	改用
在集群中进行分布式执行，或使用任务调度器和仪表板扩展现有的 pandas/NumPy 代码	alterlab-dask
使用内存映射 HDF5/Arrow 文件进行十亿行的外存探索和大数据绘图	alterlab-vaex
初步了解不熟悉的数据文件：结构、缺失情况和质量报告	alterlab-eda

快速开始

安装和基本用法

固定使用较新的 1.x 版本（此处示例使用 Polars 1.x API）：

uv add 'polars>=1.0,<2'

Polars 2.0 目前处于候选发布版阶段（2.0.0rc2，2026 年 9 月）。其升级指南列出了可能静默改变结果的变更：LazyFrame.collect() 默认使用流式引擎（部分连接/逆透视操作的行顺序可能改变），pl.concat(how="horizontal") 要求高度相同（how="horizontal_extend" 会进行填充），explode() 会丢弃空列表，而不是输出空值行，is_in 会拒绝有损类型转换，LazyFrame.profile() 已移除，无表头 CSV 的列名将根据 column_0 命名。升级到 2.x 前，请查看 https://docs.pola.rs/releases/upgrade/。

基本的 DataFrame 创建和操作：

import polars as pl

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

# Select columns
df.select("name", "age")

# Filter rows
df.filter(pl.col("age") > 25)

# Add computed columns
df.with_columns(
    age_plus_10=pl.col("age") + 10
)

核心概念

表达式

表达式是 Polars 操作的基本构件。它们描述对数据的转换，可组合、复用和优化。

关键原则：

• 使用 pl.col("column_name") 引用列
• 链接方法以构建复杂转换
• 表达式采用惰性求值，仅在上下文中执行（select、with_columns、filter、group_by）

示例：

# Expression-based computation
df.select(
    pl.col("name"),
    (pl.col("age") * 12).alias("age_in_months")
)

惰性求值与即时求值

即时求值（DataFrame）： 操作会立即执行

df = pl.read_csv("file.csv")  # Reads immediately
result = df.filter(pl.col("age") > 25)  # Executes immediately

惰性求值（LazyFrame）： 操作会构建查询计划，并在执行前进行优化

lf = pl.scan_csv("file.csv")  # Doesn't read yet
result = lf.filter(pl.col("age") > 25).select("name", "age")
df = result.collect()  # Now executes optimized query

何时使用惰性求值：

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

惰性求值的优点：

• 自动查询优化
• 谓词下推
• 投影下推
• 并行执行

如需了解详细概念，请加载 references/core_concepts.md。

常见操作

选择

选择和处理列：

# Select specific columns
df.select("name", "age")

# Select with expressions
df.select(
    pl.col("name"),
    (pl.col("age") * 2).alias("double_age")
)

# Select all columns matching a pattern
df.select(pl.col("^.*_id$"))

筛选

根据条件筛选行：

# Single condition
df.filter(pl.col("age") > 25)

# Multiple conditions (cleaner than using &)
df.filter(
    pl.col("age") > 25,
    pl.col("city") == "NY"
)

# Complex conditions
df.filter(
    (pl.col("age") > 25) | (pl.col("city") == "LA")
)

添加列

添加或修改列，同时保留现有列：

# Add new columns
df.with_columns(
    age_plus_10=pl.col("age") + 10,
    name_upper=pl.col("name").str.to_uppercase()
)

# Parallel computation (all columns computed in parallel)
df.with_columns(
    pl.col("value") * 10,
    pl.col("value") * 100,
)

分组和聚合

对数据分组并计算聚合值：

# Basic grouping
df.group_by("city").agg(
    pl.col("age").mean().alias("avg_age"),
    pl.len().alias("count")
)

# Multiple group keys
df.group_by("city", "department").agg(
    pl.col("salary").sum()
)

# Conditional aggregations
df.group_by("city").agg(
    (pl.col("age") > 30).sum().alias("over_30")
)

如需了解详细的操作模式，请加载 references/operations.md。

聚合和窗口函数

聚合函数

group_by 上下文中的常见聚合：

• pl.len() - 统计行数
• pl.col("x").sum() - 求和
• pl.col("x").mean() - 求平均值
• pl.col("x").min() / pl.col("x").max() - 求最小值/最大值
• pl.first() / pl.last() - 获取首个/最后一个值

使用 over() 的窗口函数

应用聚合，同时保留行数：

# Add group statistics to each row
df.with_columns(
    avg_age_by_city=pl.col("age").mean().over("city"),
    rank_in_city=pl.col("salary").rank().over("city")
)

# Multiple grouping columns
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：改变行数（在 select 中使用，而非 with_columns）；输出按组排列
• join：创建列表列

数据 I/O

支持的格式

Polars 支持读取和写入：

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

常见 I/O 操作

CSV：

# Eager
df = pl.read_csv("file.csv")
df.write_csv("output.csv")

# Lazy (preferred for large files)
lf = pl.scan_csv("file.csv")
result = lf.filter(...).select(...).collect()

Parquet（性能更佳，推荐使用）：

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，请加载 references/io_guide.md。

转换

连接

合并 DataFrame：

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

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

# Join on different column names
df1.join(df2, left_on="user_id", right_on="id")

拼接

堆叠 DataFrame：

# Vertical (stack rows)
pl.concat([df1, df2], how="vertical")

# Horizontal (add columns)
pl.concat([df1, df2], how="horizontal")

# Diagonal (union with different schemas)
pl.concat([df1, df2], how="diagonal")

透视与逆透视

重塑数据：

# Pivot (wide format): on= is the column whose values become new columns
df.pivot("product", index="date", values="sales")

# Unpivot (long format)
df.unpivot(index="id", on=["col1", "col2"])

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

从 Pandas 迁移

Polars 相较于 pandas 性能提升显著，且 API 更简洁。主要区别：

概念区别

• 没有索引：Polars 仅使用整数位置
• 严格类型：不会静默转换类型
• 惰性求值：可通过 LazyFrame 使用
• 默认并行：操作会自动并行执行

常见操作映射

操作	Pandas	Polars
选择列	df["col"]	df.select("col")
筛选	df[df["col"] > 10]	df.filter(pl.col("col") > 10)
添加列	df.assign(x=...)	df.with_columns(x=...)
分组	df.groupby("col").agg(...)	df.group_by("col").agg(...)
窗口	df.groupby("col").transform(...)	df.with_columns(...).over("col")

关键语法模式

Pandas 顺序执行（较慢）：

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

Polars 并行执行（较快）：

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

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

最佳实践

Polars 1.x API 注意事项（自 0.x 更名）

以下旧名称会出现在过时教程和大模型训练数据中；请使用 1.x 形式：

• read_csv(dtypes=...) -> read_csv(schema_overrides=...)
• pl.Utf8 -> pl.String
• pl.NUMERIC_DTYPES -> import polars.selectors as cs; cs.numeric()
• join(how="outer") -> join(how="full")（且 how="full" 不再合并键；如需恢复旧行为，请传入 coalesce=True）
• pivot(columns=...) -> pivot(on=...)（on 是第一个位置参数）
• collect(streaming=True) -> collect(engine="streaming")
• read_database(connection_uri=...) -> read_database_uri(uri=...)

性能优化

1. 对大型数据集使用惰性求值：

   lf = pl.scan_csv("large.csv")  # Don't use read_csv
   result = lf.filter(...).select(...).collect()
   

2. 避免在热点路径中使用 Python 函数：

   • 使用表达式 API，以实现并行化
   • 仅在必要时使用 .map_elements()
   • 优先使用原生 Polars 操作

3. 使用流式引擎降低峰值内存：

   lf.collect(engine="streaming")  # `streaming=True` is deprecated
   

4. 尽早仅选择所需列：

   # Good: Select columns early
   lf.select("col1", "col2").filter(...)
   
   # Bad: Filter on all columns first
   lf.filter(...).select("col1", "col2")
   

5. 使用恰当的数据类型：

   • 对低基数字符串使用 Categorical
   • 选择合适的整数大小（i32 或 i64）
   • 对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)

对多个列执行列操作：

df.select(pl.col("^.*_value$") * 2)  # Regex pattern

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，请加载 references/best_practices.md。

资源

此技能包含全面的参考文档：

references/

• core_concepts.md - 详细说明表达式、惰性求值和类型系统
• operations.md - 所有常见操作的完整指南及示例
• 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 - 性能优化技巧和常见模式

当用户需要了解特定主题的详细信息时，按需加载这些参考文档。