Aprende a mantener las consultas en modo lazy para maximizar la optimización, a leer e interpretar planes de consulta y a activar rutas rápidas con perfiles y datos ordenados.

Ejecución eficaz de consultas

Previsualizar los datos de forma perezosa

Resumir préstamos digitales

Recopilar dos informes a la vez

Optimización y planes de consulta

Leer el plan ingenuo

Leer el plan optimizado

Qué hace realmente la optimización de consultas

Aprovechar al máximo la optimización

Pivot perezoso a formato ancho

Perfilado de una consulta lazy

Filtro de vía rápida en datos ordenados

Profundización en la optimización de consultas

Aprende a leer y escribir archivos Parquet, a parsear CSVs complejos, a escanear conjuntos de datos multifichero y con particiones tipo Hive, y a consultar bases de datos desde Polars.

Trabajar con archivos Parquet

Inspeccionar un esquema Parquet

Resumir datos Parquet

Escribir una instantánea en Parquet

Análisis de CSVs

Analizar un CSV desordenado

Sobrescribir el esquema inferido

Ignorar errores de parseo

Trabajar con conjuntos de datos multinarchivo

Explorar múltiples archivos

Insertar columnas que faltan

Explorar un conjunto de datos con particiones Hive

Trabajo con bases de datos

Leer desde SQLite con un URI

Añadir datos a una tabla de historial en SQLite

Consultar DuckDB en Polars

Entrada y salida de datos eficientes

Este capítulo trata cómo trabajar con columnas List y Struct, codificar cadenas repetidas como dtypes Categorical y Enum, y reducir el uso de memoria mediante downcasting numérico.

Gestionar datos de arrays

Extraer el género principal

Contar géneros por película

Contar la popularidad de géneros

Trabajar con columnas anidadas

Desanidar production_country

Renombrar campos de país

Crear un dtype Object

Usar los dtypes Categorical y Enum

Crear una columna Categorical

Usar una expresión categórica

Crear una columna Enum

Reducir la presión de memoria

Inspeccionar el rango numérico

Reducción de tipo en columnas numéricas

Estimación del tamaño del DataFrame

Dtypes avanzados para un análisis óptimo

Aprende a usar los motores de streaming y GPU, volcar resultados de consultas grandes directamente en disco con particionado, y probar canalizaciones con las aserciones integradas de Polars.

Trabajar con los motores de streaming y GPU

Usar el motor de streaming

Procesar resultados de consultas por lotes

Volcar consultas grandes a disco

Volcar un extracto limpio a Parquet

Multiplexar sinks Parquet

Usar un sink por lotes personalizado

Pruebas de canalizaciones en Polars

Comparar DataFrames con equals

Probar esquemas

Probar DataFrames completos

¡Enhorabuena!

Trabajar con Polars a gran escala

Movies

Library Checkouts

Library Checkouts (Large)

Lleva tus habilidades con Polars a producción. Aprende a leer planes de consulta y a exprimir al máximo el optimizador, trabaja de forma eficiente con fuentes Parquet, CSV y bases de datos, y aprovecha dtypes avanzados como List, Struct, Categorical y Enum. También transmitirás consultas grandes a disco, procesarás datos por lotes y crearás canalizaciones comprobables con aserciones integradas. Al terminar, estarás listo para construir flujos de datos de alto rendimiento que manejen conjuntos de datos de cualquier tamaño.

Data Transformation with Polars

Aprende a optimizar, escalar y probar pipelines de datos Polars para un rendimiento listo para producción.

Escala y optimiza canalizaciones de datos con Polars

Optimiza, escala y prueba canalizaciones de datos Polars para un rendimiento listo para producción.

Trabajar con los motores de streaming y GPU

Create Your Free Account