Lär dig att hålla frågor lazy för maximal optimering, läsa och tolka frågeplaner samt aktivera snabba exekveringsvägar med profilering och sorterad data.

Effektiv frågekörning

Förhandsgranska data med lat exekvering

Sammanställ digitala utlåningar

Samla in två rapporter på en gång

Optimering och frågeplaner

Läsa den naiva planen

Läsa den optimerade planen

Vad frågeoptimerering faktiskt gör

Optimering på full effekt

Lazy pivot till brett format

Profilera en lat fråga

Snabbsökning med sorterad data

Fördjupning i frågeoptimering

Lär dig att läsa och skriva Parquet-filer, tolka röriga CSV-filer, skanna datamängder med flera filer och hive-partitionering, samt fråga databaser från Polars.

Arbeta med Parquet-filer

Inspektera ett Parquet-schema

Sammanfatta Parquet-data

Skriva en Parquet-ögonblicksbild

Tolka CSV-filer

Tolka en rörig CSV-fil

Överstyra det härledda schemat

Ignorera tolkningsfel

Arbeta med flerfils-datamängder

Skanna flera filer

Infoga saknade kolumner

Skanna ett hive-partitionerat dataset

Arbeta med databaser

Läsa från SQLite med en URI

Lägga till rader i en SQLite-historiktabell

Fråga DuckDB och konvertera till Polars

Effektiv datainläsning och datautmatning

Det här kapitlet behandlar arbete med List- och Struct-kolumner, kodning av upprepade strängar som Categorical- och Enum-datatyper, samt hur du minskar minnesanvändningen med numerisk nedskalning av datatyper.

Hantera arraydata

Extrahera ett primärt genre

Räkna genrer per film

Räkna genrepopularitet

Arbeta med nästlade kolumner

Unnestning av production_country

Byta namn på landskolumner

Skapa en Object-dtype

Använda datatyperna Categorical och Enum

Skapa en Categorical-kolumn

Använda ett kategoriskt uttryck

Skapa en Enum-kolumn

Minska minnesbelastningen

Undersöka numeriska intervall

Nedkastning av numeriska kolumner

Uppskatta DataFrame-storlek

Avancerade datatyper för optimal analys

Lär dig att använda strömmings- och GPU-motorerna, skriva stora frågeresultat direkt till disk med partitionering, och testa pipelines med Polars inbyggda kontroller.

Arbeta med streaming- och GPU-motorer

Använda strömningmotorn

Bearbeta frågeresultat i batchar

Skriva stora frågeresultat till disk

Skriv ett rensat uttag till Parquet

Multiplexering av Parquet-sinks

Använda en anpassad batch-sink

Testa Polars-pipelines

Jämföra DataFrames med equals

Testa scheman

Testa hela DataFrames

Grattis!

Arbeta med Polars i stor skala

Movies

Library Checkouts

Library Checkouts (Large)

Ta dina Polars-kunskaper till produktionsskala. Lär dig att läsa frågeplaner och utnyttja optimeraren till fullo, arbeta effektivt med Parquet-, CSV- och databaskällor, och använd avancerade datatyper som List, Struct, Categorical och Enum. Du kommer också att strömma stora frågor till disk, bearbeta data i batchar och bygga testbara pipelines med inbyggda kontroller. När kursen är klar har du verktygen för att bygga högpresterande dataarbetsflöden som hanterar datamängder av alla storlekar.

Data Transformation with Polars

Lär dig optimera, skala och testa Polars datarörledningar för produktionsklar prestanda.

Skalning och optimering av datapipelines med Polars

Lär dig optimera, skala och testa Polars-datapipelines för produktionsklar prestanda.

Testa Polars-pipelines

Create Your Free Account