Polars：从 Apache Spark 过渡指南

如果您已经熟悉 Apache Spark，那么在使用 Polars 时需要注意一些关键区别。以下是一些典型的 Spark 操作及其对应的 Polars 实现。

Spark DataFrame 类似于一个行的集合，而 Polars DataFrame 更接近于一个列的集合。这意味着你可以在 Polars 中以 Spark 中不可能的方式组合列。

在 Polars 中，你可以写出以下语句：

python 复制代码

df.select([
    pl.col("foo").sort().head(2),
    pl.col("bar").filter(pl.col("foo") == "d").sum()
])

该代码段输出：

shape: (2, 2)
┌─────┬─────┐
│ foo ┆ bar │
│ --- ┆ --- │
│ str ┆ i64 │
╞═════╪═════╡
│ a   ┆ 9   │
├╌╌╌╌╌┼╌╌╌╌╌┤
│ b   ┆ 9   │
└─────┴─────┘

列 foo 和 bar 上的表达式是完全独立的。由于 bar 上的表达式返回一个单一的值，这个值在 foo 表达式输出的每个值中都会重复，但是 a 和 b 与产生 9 没有关系。

要在 Spark 中做类似的事情，你需要单独计算总和，并将其作为字面值返回。

在 Polars 中，你可以在同一个 DataFrame 上结合两个不同的 head 表达式，只要它们返回相同数量的值。

python 复制代码

df.select([
    pl.col("foo").sort().head(2),
    pl.col("bar").sort(reverse=True).head(2),
])

该代码段输出：

shape: (3, 2)
┌─────┬─────┐
│ foo ┆ bar │
│ --- ┆ --- │
│ str ┆ i64 │
╞═════╪═════╡
│ a   ┆ 5   │
├╌╌╌╌╌┼╌╌╌╌╌┤
│ b   ┆ 4   │
└─────┴─────┘

同样，这里的两个 head 表达式是完全独立的，a 与 5 和 b 与 4 的配对纯粹是表达式输出的两列并列的结果。

为了在 Spark 中完成类似的工作，你需要生成一个人工的 key 使你能够以相同的方式连接这些值。

以上代码示例展示了如何将 Spark 中的常见操作转换为 Polars。更多详细信息和高级用法，请访问原网页。