Profiling kueri lazy

Sebelum menambahkan kueri baru ke alur kerja harian, tim ingin melihat di mana waktu benar-benar dihabiskan. Profiling menjalankan kueri lazy seperti .collect(), tetapi juga mengembalikan DataFrame timings dengan satu baris untuk setiap tahapan.

Latihan ini merupakan bagian dari kursus

Menskalakan dan Mengoptimalkan Pipeline Data dengan Polars

Lihat Kursus

Instruksi latihan

Saring library ke checkout dengan use bernilai "Physical".
Pertahankan 10 judul terpanjang berdasarkan title_len menggunakan .top_k().
Jalankan kueri dengan profiling sehingga Anda juga mendapatkan DataFrame timings.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

result, timings = (
    library
    # Filter to physical checkouts
    .filter(pl.col("use") == "____")
    .with_columns(pl.col("title").str.len_chars().alias("title_len"))
    # Keep the 10 longest titles
    .top_k(10, by="____")
    # Run with profiling to capture per-stage timings
    .____()
)
print(timings)

Edit dan Jalankan Kode