主要特点#

• 快速：用 Rust 从头编写，设计接近机器并且没有外部依赖。
• I/O：对所有常见数据存储层的一流支持：本地、云存储和数据库。
• 直观的 API：按照预期的方式编写查询。Polars 内部会使用其查询优化器确定最高效的执行方式。
• 核心外：流式 API 允许您处理结果，而无需所有数据同时位于内存中。
• 并行：通过在可用的 CPU 核心之间分配工作负载来充分利用机器的功能，无需任何额外的配置。
• 矢量化查询引擎
• GPU 支持：可选择在 NVIDIA GPU 上运行查询，以实现内存工作负载的最佳性能。
• Apache Arrow 支持：Polars 通常可以使用零拷贝操作来消费和生成 Arrow 数据。需要注意的是，Polars 并非基于 Pyarrow/Arrow 实现构建。相反，Polars 拥有自己的计算和缓冲区实现。

体系#

Polars 的目标是提供一个闪电般快速的DataFrame库:

• 利用机器上所有可用的核心。
• 优化查询以减少不必要的工作/内存分配。
• 处理比可用 RAM 大得多的数据集。
• 一致且可预测的 API。
• 遵循严格的模式（运行查询之前应该知道数据类型）。

Polars 是用 Rust 编写的，这使其具有 C/C++ 性能，并允许它完全控制查询引擎中性能关键的部分。

示例#

1import polars as pl
2
3q = (
4    pl.scan_csv("demo.csv")
5    .filter(pl.col("sepal_length") > 5)
6    .group_by("species")
7    .agg(pl.all().sum())
8)
9
10df = q.collect()