برنامه نویسی | Teachify

✔️ کتابخانه Polars — نسل بعدی پردازش داده در پایتون!

اگر با Pandas کار کردی، حتماً می‌دونی گاهی موقع کار با دیتاست‌های بزرگ، سرعتش کم می‌شه و RAM رو می‌بلعه،
اینجاست که Polars وارد می‌شه!

میشه گفت که Polars یه کتابخانه‌ی فوق‌سریع برای تحلیل داده‌ست، نوشته‌شده با زبان Rust و طراحی‌شده برای کار با داده‌های حجیم، چند‌هسته‌ای و سنگین.

چرا Polars بهتر از Pandas عمل می‌کنه؟

■ چندریسمانی (Multi-threaded): از تمام هسته‌های CPU استفاده می‌کنه

■ مبتنی بر Apache Arrow (حافظه‌ی ستونی فوق‌بهینه)

■ مصرف RAM بسیار کمتر

■ تا ۱۰ تا ۱۰۰ برابر سریع‌تر از Pandas در بعضی عملیات‌ها

■ پشتیبانی از حالت Lazy Execution (محاسبه فقط وقتی واقعاً نیاز باشه)

مثال ساده:

import polars as pl

df = pl.read_csv("data.csv")

result = (
    df.filter(pl.col("age") > 30)
      .select(pl.col("salary").mean())
)
print(result)

کد بالا دقیقاً کاری شبیه Pandas انجام می‌ده، ولی خیلی سریع‌تر و بهینه‌تر اجرا می‌شه!

#Python #Polars #Pandas #DataScience #Rust #FastData

@Teachify | برنامه نویسی

👍5❤1

www.tgoop.com/teachify/4180

606 viewsYOUSEF, Oct 11 at 05:47

✔️ کتابخانه Polars — نسل بعدی پردازش داده در پایتون!

اگر با Pandas کار کردی، حتماً می‌دونی گاهی موقع کار با دیتاست‌های بزرگ، سرعتش کم می‌شه و RAM رو می‌بلعه،
اینجاست که Polars وارد می‌شه!

میشه گفت که Polars یه کتابخانه‌ی فوق‌سریع برای تحلیل داده‌ست، نوشته‌شده با زبان Rust و طراحی‌شده برای کار با داده‌های حجیم، چند‌هسته‌ای و سنگین.

چرا Polars بهتر از Pandas عمل می‌کنه؟

■ چندریسمانی (Multi-threaded): از تمام هسته‌های CPU استفاده می‌کنه

■ مبتنی بر Apache Arrow (حافظه‌ی ستونی فوق‌بهینه)

■ مصرف RAM بسیار کمتر

■ تا ۱۰ تا ۱۰۰ برابر سریع‌تر از Pandas در بعضی عملیات‌ها

■ پشتیبانی از حالت Lazy Execution (محاسبه فقط وقتی واقعاً نیاز باشه)

مثال ساده:

import polars as pl

df = pl.read_csv("data.csv")

result = (
    df.filter(pl.col("age") > 30)
      .select(pl.col("salary").mean())
)
print(result)

BY برنامه نویسی | Teachify