快速了解Rust 的数据分析库Polars

【图书介绍】《Rust编程与项目实战》-CSDN博客

《Rust编程与项目实战》(朱文伟，李建英)【摘要书评试读】- 京东图书 (jd.com)

Polars是一个基于 Rust 的数据分析库，它的目标是提供一个高性能的数据分析工具，同时也提供了Python和JavaScript的接口，也就是说这款工具还可以供Python使用。Polars是一个用纯Rust开发的速度极快的DataFrame库，底层使用Apache Arrow内存模型。

数据科学家和数据分析师都对Pandas非常熟悉。对于数据科学领域的从业者来说，几乎无一例外地都会花费大量时间学习用Pandas处理数据。然而Pandas被诟病最多的是其运行速度和大数据集的处理效率。幸运的是，Polars的出现弥补了Pandas的不足。

Polars最核心的概念是表达式（Expressions），也是其拥有快速性能的核心。Polars提供了一个强大的表达式API。表达式API允许你创建和组合多种操作，例如过滤、排序、聚合、窗口函数等。表达式API也可以优化查询性能和内存使用。

17.1.2 Polars和Pandas对比

Polars与Pandas在许多方面具有截然不同的设计与实现。不像Pandas中每个DataFrame都有一个索引列（Pandas的很多操作也是基于索引的，例如join两个DataFrame进行联合查询），Polars并没有索引（Index）概念。主要区别如下：

（1）Polars使用Apache Arrow作为内部数据格式，而Pandas使用NumPy数组。

（2）Polars提供比Pandas更多的并发支持。

（3）Polars支持惰性查询并提供查询优化。

（4）Polars提供了与Pandas相似的API，以便于用户更快地上手。

简单地说，Polars相当于Rust的Pandas，且性能比Pandas要好很多。总体感觉，Polars就是奔着取代Pandas而生的。

17.1.3 为什么需要Polars

跟Pandas比，Polars有如下优势：

（1）Polars取消了DataFrame中的索引。消除索引让Polars更容易操作数据（Pandas中的DataFrame的索引很鸡肋）。

（2）Polars数据底层用Apache Arrow数组表示，而Pandas数据背后用NumPy数组表示。Apache Arrow在加载速度、内存占用和计算效率上都更加高效。

（3）Polars比Pandas支持更多并行操作。因为Polars是用Rust写的，所以可以无畏并发。

（4）Polars支持延迟计算（Lazy Evaluation），Polars会根据请求检验、优化数据以找到加速方法或降低内存占用。另一方面，Pandas仅支持立即计算（Eager Evaluation），即收到请求立即求值。

Polars就是为了解决Pandas的性能而生的。在很多测试中，Polars比Pandas快2～3倍。Pandas与Polars的对比如表17-1所示。

17.1.4 安装Polars

由于Polars提供Python和JavaScript绑定，因此Polars支持多种语言环境安装。下面阐述针对各种语言的Polars安装。

（1）对于Rust，传统的Rust程序有Cargo进行包管理，只需要在cargo.toml的[dependencies]中加入：

polars = "0.25.1"

或者用cargo add命令即可：

$ cargo add polars

（2）对于Python环境，可以安装Polars的Python语言绑定PyPolars：

$ pip install polars

（3）对于Node环境，可以安装Polars的JavaScript语言绑定：

$ yarn add nodejs-polars

（4）数据科学家和算法工程师更喜欢用Jupyter，在Jupyter环境下需要用evcxr的:dep命令来引入包。在Jupyter中输入代码如下：

:dep polars = {version = "0.25.1"}

17.1.5 创建DataFrame

我们先来看一下如何手动创建DataFrame（数据帧）。

【例17.1】手动创建DataFrame

打开VS Code，单击菜单Terminal→New Termanal，执行命令cargo new myrust来新建一个Rust工程，工程名是myrust。打开cargo.toml文件准备添加依赖软件包，在[dependencies]下添加如下内容：

polars = { version = "0.25.1", features = ["json"] }

准备添加代码。打开main.rs，添加代码如下：

use polars::prelude::*;  //引用Polars

fn main() {
    let df = df! [    //定义数据
        "Model" => ["iPhone XS", "iPhone 12", "iPhone 13", "iPhone 14", "Samsung S11", "Samsung S12", "Mi A1", "Mi A2"],
        "Company" => ["Apple", "Apple", "Apple", "Apple", "Samsung", "Samsung", "Xiao Mi", "Xiao Mi"],
        "Sales" => [80, 170, 130, 205, 400, 30, 14, 8],
        "Comment" => [None, None, Some("Sold Out"), Some("New Arrival"), None, Some("Sold Out"), None, None],
    ];

    println!("{:?}", &df);   //输出数据
}

Polars提供了df!宏来创建DataFrame。df!按列接受数据，每列含有列名和数据，数据以数组形式提供。这里需要注意，如果数据中存在空数据，则需要用None来表示，而Rust是强类型语言，需要列数据类型一致，因此，如果数据中有None存在，则其他非None数据需要用Some()包裹，达到类型一致。

DataFrame实现了std::fmt::Display方法，因此创建的对象可以直接利用println!宏输出。跟Pandas一样，在Jupyter Notebook中Polars DataFrame会以整齐美观的格式输出，并且还很贴心地将每列的数据类型展示出来，非常方便。

在TERMINAL窗口的命令行中输入运行命令cargo run，运行结果如图17-1所示。

图17‑1

这里需要注意，Polars DataFrame跟Pandas DataFrame有一点不同，Polars DataFrame的列名必须是字符串类型。如果列名不是字符串类型，运行时会报错。请看下面的代码：

let df2 = df! [
    0 => [Some(0), Some(1), Some(2)],
    1 => [Some("x"), Some("y"), Some("z")],
];
println!("{}", &df2);

上面的代码运行会报个错：mismatched types，如图17-2所示。

图17‑2

这是因为列名是i32类型，而不是str字符串类型。除显示列名外，Polars DataFrame还会在列名下面显示该列的数据类型。我们也可以调用dtypes()方法获取各列的数据类型：

df.dtypes()

运行上面的代码会看到下面的输出：

[Utf8, Utf8, Int32, Utf8]

也可以用get_column_names()方法获取所有列名：

df.get_column_names()

输出：

["Model", "Company", "Sales", "Comment"]

也可以通过get_row()方法传入行下标来获取一行数据：

df.get_row(0)

上面的代码会将第一行数据显示出来：

Row([Utf8("iPhone XS"), Utf8("Apple"), Int32(80), Null])

值得注意的是，与Pandas不同，Polars中没有行索引的概念。Polar的设计哲学认为DataFrame不需要行索引。

下面再看一个实例，读取JSON（JavaScript Object Notation，JS对象简谱）数据。JSON是一种轻量级的数据交换格式，它基于 ECMAScript（European Computer Manufacturers Association，欧洲计算机协会制定的JS规范）的一个子集，采用完全独立于编程语言的文本格式来存储和表示数据。简洁和清晰的层次结构使得 JSON 成为理想的数据交换语言，易于阅读和编写，同时也易于机器解析和生成，并有效地提升了网络传输效率。JSON是Douglas Crockford在2001年开始推广使用的数据格式，在2005~2006年正式成为主流的数据格式，雅虎和谷歌就在那个时候开始广泛地使用JSON格式。

任何支持的类型都可以通过JSON来表示，例如字符串、数字、对象、数组等，但是对象和数组是比较特殊且常用的两种类型。

对象：对象在JS中是使用花括号“{}”包裹起来的内容，数据结构为{key1：value1, key2：value2, …}的键－值对结构。在面向对象的语言中，key为对象的属性，value 为对应的值。键名可以使用整数和字符串来表示。值可以是任意类型。
数组：数组在JS中是方括号“[]”包裹起来的内容，数据结构为 ["java", "javascript", "vb", …] 的索引结构。在JS中，数组是一种比较特殊的数据类型，它也可以像对象那样使用键－值对，但还是索引使用得多。同样，值可以是任意类型。

【例17.2】定义并加载JSON数据

polars = { version = "0.25.1", features = ["json"] }

准备添加代码。打开main.rs，添加代码如下：

use std::io::Cursor;
use polars::prelude::*;

fn main() {
    let data = r#"[					//定义JSON数据
        {"date": "1996-12-16T00:00:00.000", "open": 16.86, "close": 16.86, "high": 16.86, "low": 16.86, "volume": 62442.0, "turnover": 105277000.0},
        {"date": "1996-12-17T00:00:00.000", "open": 15.17, "close": 15.17, "high": 16.79, "low": 15.17, "volume": 463675.0, "turnover": 718902016.0},
        {"date": "1996-12-18T00:00:00.000", "open": 15.28, "close": 16.69, "high": 16.69, "low": 15.18, "volume": 445380.0, "turnover": 719400000.0},
        {"date": "1996-12-19T00:00:00.000", "open": 17.01, "close": 16.4, "high": 17.9, "low": 15.99, "volume": 572946.0, "turnover": 970124992.0}
    ]"#;

    let res = JsonReader::new(Cursor::new(data)).finish();
    println!("{:?}", res);  
    assert!(res.is_ok());
    let df = res.unwrap();
    println!("{:?}", df);				//输出结果
}

在TERMINAL窗口的命令行中输入运行命令cargo run，运行结果如图17-3所示。