polars 和 pandas 数据处理效率对比

Michael阿明

发布于 2024-05-24 08:47:05

42800

代码可运行

文章被收录于专栏：Michael阿明学习之路

运行总次数：0

代码可运行

1. Polars 简介

Polars是一个高性能的数据处理库，它旨在提供快速的数据处理能力，特别是在处理大型数据集时。Polars是由Rust语言编写的，这使得它在性能和内存安全性方面具有显著优势。

以下是Polars的一些关键特性和优势：

高性能：Polars的设计重点在于优化数据处理的速度。它利用Rust语言的性能优势，提供了快速的数据过滤、分组、排序和其他常见数据操作。
内存效率：Polars在内存管理上进行了优化，减少了不必要的内存分配和复制，这使得它在处理大型数据集时更加高效。
并行处理：Polars支持并行处理，可以充分利用现代多核处理器的能力，进一步提高数据处理的速度。
易用性：Polars提供了类似于Pandas的API，这使得对于熟悉Pandas的用户来说，学习和迁移到Polars的成本相对较低。它支持常见的数据处理操作，如数据读取、数据清洗、数据转换等。
兼容性：Polars可以与Pandas无缝协作，允许用户在Pandas和Polars之间轻松转换数据。此外，它还支持多种数据格式，如CSV、Parquet等。
数据结构：Polars提供了DataFrame和Series这两种核心数据结构，类似于Pandas，使得数据操作直观且易于理解。
开源：Polars是一个开源项目，它鼓励社区参与和贡献，这意味着它不断地在进化和改进。
应用场景：Polars特别适合于需要处理大规模数据集的场景，尤其是在数据科学、机器学习和大数据分析等领域。

2. 测试

以下对常用的数据分析处理库 pandas 和 polars 进行性能对比测试

测试环境 python3.8 pandas-2.0.3 polars-0.20.19
生成 1千万行数据

import numpy as np
import pandas as pd
import polars as pl
import time

# 设置随机种子以获得可重复的结果
np.random.seed(0)

# 生成大数据集
data_size = 10000000  # 例如，10 million rows
columns = ['col1', 'col2', 'col3', 'col4', 'col5']
data = np.random.rand(data_size, len(columns))  # 生成随机数据

生成 DataFrame

# 将numpy数组转换为pandas DataFrame和polars DataFrame
start_time = time.time()
df_pandas = pd.DataFrame(data, columns=columns)
print(f"pands DataFrame took: {time.time() - start_time:.2f} seconds")

start_time = time.time()
df_polars = pl.DataFrame(data, columns)
print(f"polars DataFrame took: {time.time() - start_time:.2f} seconds")

输出：

pands DataFrame took: 0.00 seconds
polars DataFrame took: 0.64 seconds

保存 csv

# 保存DataFrame为CSV文件
start_time = time.time()
df_pandas.to_csv('pandas_data.csv', index=False)
print(f"Saving pandas DataFrame to CSV took: {time.time() - start_time:.2f} seconds")

start_time = time.time()
df_polars.write_csv('polars_data.csv')
print(f"Saving polars DataFrame to CSV took: {time.time() - start_time:.2f} seconds")

输出：

Saving pandas DataFrame to CSV took: 116.20 seconds
Saving polars DataFrame to CSV took: 9.09 seconds

polars 的效率是 pandas 的 12.7 倍

读取 csv

# 加载csv文件
start_time = time.time()
df_pandas = pd.read_csv('pandas_data.csv')
end_time = time.time()
print(f"Loading pandas DataFrame from CSV took: {end_time - start_time:.2f} seconds")

start_time = time.time()
df_polars = pl.read_csv('polars_data.csv')
end_time = time.time()
print(f"Loading polars DataFrame from CSV took: {end_time - start_time:.2f} seconds")

输出：

Loading pandas DataFrame from CSV took: 10.06 seconds
Loading polars DataFrame from CSV took: 0.95 seconds

polars 的效率是 pandas 的 10.5 倍

过滤

# 测试pandas的数据过滤性能
start_time = time.time()
df_filtered_pandas = df_pandas[df_pandas['col1'] > 0.5]
end_time = time.time()
print(f"Pandas data filtering took: {end_time - start_time:.2f} seconds")

# 测试polars的数据过滤性能
start_time = time.time()
df_filtered_polars = df_polars.filter(df_polars['col1'] > 0.5)
end_time = time.time()
print(f"Polars data filtering took: {end_time - start_time:.2f} seconds")

输出：

Pandas data filtering took: 0.42 seconds
Polars data filtering took: 0.23 seconds

polars 的效率是 pandas 的 1.8 倍

分组

# 测试pandas的数据分组性能
start_time = time.time()
grouped_pandas = df_pandas.groupby('col1').agg(np.mean)
end_time = time.time()
print(f"Pandas data grouping took: {end_time - start_time:.2f} seconds")

# 测试polars的数据分组性能
start_time = time.time()
grouped_polars = df_polars.group_by('col1').agg(
    col1_mean = pl.col('col1').mean()
)
end_time = time.time()
print(f"Polars data grouping took: {end_time - start_time:.2f} seconds")

输出：

Pandas data grouping took: 20.08 seconds
Polars data grouping took: 1.92 seconds

polars 的效率是 pandas 的 10.4 倍

排序

# 测试pandas的数据排序性能
start_time = time.time()
sorted_pandas = df_pandas.sort_values(by='col1')
end_time = time.time()
print(f"Pandas data sorting took: {end_time - start_time:.2f} seconds")

# 测试polars的数据排序性能
start_time = time.time()
sorted_polars = df_polars.sort('col1')
end_time = time.time()
print(f"Polars data sorting took: {end_time - start_time:.2f} seconds")

输出：

Pandas data sorting took: 7.59 seconds
Polars data sorting took: 1.17 seconds

polars 的效率是 pandas 的 6.5 倍

polars dataframe 转换成 pandas dataframe 由于 Scikit-learn 等库还不支持 polars dataframe，但是支持 pandas，polars 提供了转换接口

start_time = time.time()
df_pandas = df_polars.to_pandas()
end_time = time.time()
print(f"Polars to pandas conversion took: {end_time - start_time:.2f} seconds")

输出：Polars to pandas conversion took: 0.36 seconds

3. 总结

特点	Polars	Pandas
性能优化	使用 Rust 编写底层，高性能	基于 Python 和 C，性能相对较低
并行处理	支持并行执行操作	受限于 Python 的 GIL，无法充分利用多核处理器
成熟度和生态	相对较新，生态系统较小	成熟且广泛使用，生态系统丰富