Polars基本操作-Lazy API

【本文仅表明作者粗浅理解】

如果有不同观点，那么一定是您说得对！！

在Polars中，有两种常见的操作方式：Lazy API和eager API。

先看Lazy API

python 复制代码

import polars as pl

# 创建一个DataFrame
df = pl.DataFrame({
    'col1': [1, 2, 3, 4, 5],
    'col2': ['A', 'B', 'C', 'D', 'E']
})

# 使用Lazy API进行操作
lazy_result = (
    df.lazy()
    .filter(pl.col('col1') > 2)
    .select(pl.col('col2'))
    .sort(pl.col('col2'))
)

# 执行Lazy操作并显示结果
eager_result = lazy_result.collect()
print(eager_result)

首先代码里加上了 df.lazy()，调用时候要用到collect()方法才真的执行，否则只是准备了，并不做。

以下是猫哥对Lazy API个人理解：

Lazy API是一个黑盒子。程序员只需使用Lazy API构建计算计划，而不需要手动干预计划的优化和执行过程。

Polars会在执行计划时自动应用优化策略，例如基于操作之间的依赖关系进行重排、选择合适的算法和数据结构等。这些优化都是由Polars内部自动完成的，程序员无需手动编写优化代码。

与Python的垃圾处理机制类似，Lazy API隐藏了底层的优化细节，提供了简洁的接口供程序员使用。程序员只需关注计算逻辑的构建，而无需关心具体的优化实现。

因此，使用Lazy API可以让程序员更专注于业务逻辑的实现，而无需深入研究和调优底层的执行细节。同时，Polars的优化策略会尽力提高执行性能，使得程序员能够获得更高效的数据处理结果。

eager API，目前没查到相关资料，没有显式调用。貌似不明确lazy()，就是直接计算，也就是eager了。

Pandas中，没发现类似的lazy()。强行sleep()这个不算。