Profilowanie leniwego zapytania

Zanim zespół doda nowe zapytanie do codziennego przepływu pracy, chce sprawdzić, gdzie faktycznie upływa czas. Profilowanie uruchamia leniwe zapytanie tak jak .collect(), ale dodatkowo zwraca DataFrame z czasami wykonania — po jednym wierszu na każdy etap.

To ćwiczenie jest częścią kursu

Skalowanie i optymalizacja potoków danych w Polars

Zobacz kurs

Instrukcje do ćwiczenia

Przefiltruj library tak, aby zostawić tylko wypożyczenia, w których use ma wartość "Physical".
Zachowaj 10 tytułów o najdłuższej nazwie według kolumny title_len, korzystając z .top_k().
Wykonaj zapytanie z profilowaniem, żeby uzyskać również DataFrame z czasami wykonania.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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)

Edytuj i uruchom kod