推荐一款Python进阶版数据分析神器
对于不少的数据分析从业者来说，用的比较多的应该是Pandas以及SQL这两种工具，Pandas不但能够对数据集进行清理与分析，并且还能够绘制各种各样的炫酷的图表，但是遇到数据集很大的时候要是还使用Pandas来处理显然有点力不从心。
今天给大家介绍一个数据处理与分析工具，叫做Polars，它在数据处理的速度上更快，当然里面还包括两种API，一种是Eager API，另一种则是Lazy API，其中Eager API和Pandas的使用类似，语法类似差不太多，立即执行就能产生结果。
而Lazy API和Spark很相似，会有并行以及对查询逻辑优化的操作。
模块的安装与导入
我们先来进行模块的安装，使用pip命令
pip install polars
在安装成功之后，我们分别用Pandas和Polars来读取数据，看一下各自性能上的差异，我们导入会要用到的模块
import pandas as pd
import polars as pl
import matplotlib.pyplot as plt
%matplotlib inline
用Pandas读取文件
本次使用的数据集是某网站注册用户的用户名数据，总共有360MB大小，我们先用Pandas模块来读取该csv文件
%%time
df = pd.read_csv("users.csv")
df.head()
output
可以看到用Pandas读取CSV文件总共花费了12秒的时间，数据集总共有两列，一列是用户名称，以及用户名称重复的次数“n”，我们来对数据集进行排序，调用的是sort_values()方法，代码如下
%%time
df.sort_values("n", ascending=False).head()
output
用Polars来读取操作文件
下面我们用Polars模块来读取并操作文件，看看所需要的多久的时间，代码如下
%%time
data = pl.read_csv("users.csv")
data.head()
output
可以看到用polars模块来读取数据仅仅只花费了730毫秒的时间，可以说是快了不少的，我们根据“n”这一列来对数据集进行排序，代码如下
%%time
data.sort(by="n", reverse=True).head()
output
对数据集进行排序所消耗的时间为1.39秒，接下来我们用polars模块来对数据集进行一个初步的探索性分析，数据集总共有哪些列、列名都有哪些，我们还是以熟知“泰坦尼克号”数据集为例
df_titanic = pl.read_csv("titanic.csv")
df_titanic.columns
output
['PassengerId',
'Survived',
'Pclass',
'Name',
'Sex',
'Age',
......]
和Pandas一样输出列名调用的是columns方法，然后我们来看一下数据集总共是有几行几列的，
df_titanic.shape
output
(891, 12)
看一下数据集中每一列的数据类型
df_titanic.dtypes
output
[polars.datatypes.Int64,
polars.datatypes.Int64,
polars.datatypes.Int64,
polars.datatypes.Utf8,
polars.datatypes.Utf8,
polars.datatypes.Float64,
......]
填充空值与数据的统计分析
我们来看一下数据集当中空值的分布情况，调用null_count()方法
df_titanic.null_count()
output
我们可以看到“Age”以及“Cabin”两列存在着空值，我们可以尝试用平均值来进行填充，代码如下
df_titanic["Age"] = df_titanic["Age"].fill_nan(df_titanic["Age"].mean())
计算某一列的平均值只需要调用mean()方法即可，那么中位数、最大/最小值的计算也是同样的道理，代码如下
print(f'Median Age: {df_titanic["Age"].median()}')
print(f'Average Age: {df_titanic["Age"].mean()}')
print(f'Maximum Age: {df_titanic["Age"].max()}')
print(f'Minimum Age: {df_titanic["Age"].min()}')
output
Median Age: 29.69911764705882
Average Age: 29.699117647058817
Maximum Age: 80.0
Minimum Age: 0.42
数据的筛选与可视化
我们筛选出年龄大于40岁的乘客有哪些，代码如下
df_titanic[df_titanic["Age"] > 40]
output
最后我们简单地来绘制一张图表，代码如下
fig, ax = plt.subplots(figsize=(10, 5))
ax.boxplot(df_titanic["Age"])
plt.xticks(rotation=90)
plt.xlabel('Age Column')
plt.ylabel('Age')
plt.show()
output