本章将介绍如何从 CSV 创建 DataFrame，如何检查 DataFrame，如何选择部分行与列，以及如何对 DataFrame 进行排序与汇总。

Polars DataFrame 简介

将 CSV 加载为 DataFrame

检查 DataFrame

对 DataFrame 进行子集选择

从 DataFrame 创建 Series

使用方括号表示法对子集化 DataFrame

使用 .select() 选择部分列

对 DataFrame 进行排序与汇总

对 EV 数据进行排序

汇总 DataFrame

DataFrame 中的极值

创建 DataFrame 与数据选择

接下来，您将学习如何使用表达式转换数据，如何在 DataFrame 中添加或更新列，如何处理多列操作，并初步了解惰性模式与查询优化。

转换列

使用表达式转换数据

汇总列

数据转换

新增列

添加新列

使用按 Dtype 分类的表达式

重命名与删除列

处理多列数据

同时转换多个列

使用后缀创建新列

组合选择器

Lazy 模式简介

创建一个惰性查询

是什么影响了电动车的价格？

在最后一章，您将学习如何筛选 DataFrame 获取部分行，如何处理缺失值与重复值，如何按一列或多列分组聚合，以及如何在长表与宽表格式之间转换。

筛选行

使用单个条件进行筛选

组合多个筛选条件

对谓词取反

处理缺失值与重复值

查找并删除缺失值

替换缺失值

删除重复值

分组聚合

统计取值

对单列进行多重聚合

透视与逆透视

对 DataFrame 进行透视

将数据从宽表转为长表（Unpivot）

总结收尾

数据分析

Music Streams

Electric Vehicles

学习如何使用 Polars 在 Python 中处理表格数据并提取洞见。Polars 是一个面向通用场景、功能强大的数据处理包，专为速度与效率而设计，适用于从快速数据探索到深入分析的各类任务。在本课程中，您将学习转换、清洗、分析与可视化表格数据的关键技巧。

<h2>使用 Polars 探索高效的数据处理</h2>Polars 是一个功能强大、通用的 Python 表格数据处理包。 专为速度和效率而设计，Polars 是从快速数据探索到深入分析的绝佳选择。 在本课程中，你将学习使用 Polars 处理数据的基础知识。<br><br><h2>加载、探索并清理您的数据</h2>您将首先学习如何将 CSV 文件导入 Polars DataFrame，汇总其内容，并选择最重要的数据。 接下来，你将学习如何通过查找并删除缺失或重复的数据来清理数据集。<br><br><h2>高效分析并可视化您的数据</h2>接下来，您将通过将数据分组并计算每个组的统计指标，进一步深入更细致的数据分析。 你还将实践使用 Polars 表达式转换列，并了解 Polars 如何轻松地一次转换多个列。 可视化对于从数据中获取洞察并将这些洞察传达给他人至关重要。 到课程结束时，你将能够创建清晰的可视化来展示洞察。<br><br><h2>使用 Polars Lazy Execution 进行优化</h2>Polars 的一项强大功能是，它可以优化您的代码以提升性能。 您将学习如何启用优化，并了解这些优化的工作原理。 凭借本课程所学的经验，你将能够使用 Polars 处理各种真实世界的数据任务，并挖掘有价值的洞察。

Intermediate Python

使用Polars高性能Python库高效转换、清理和分析数据，实现快速灵活的数据处理。

Polars 入门

学习如何使用 Polars（一个用于快速数据处理的 Python 库）高效转换、清洗和分析数据。

Data Processing and Pipeline Optimization with Polars

使用按 Dtype 分类的表达式

Polars 入门

练习说明

交互式实操练习