Polars基本操作 - context
2023-12-29 16:52:33
在Polars中,上下文(context)操作是一种按组进行数据处理的方法。它允许您在每个组内对数据进行选择(selection)、过滤(filtering)和聚合(Group by / Aggregation)。
1.?选择(selection)
import polars as pl
# 创建一个DataFrame
df = pl.DataFrame({
'group': ['A', 'A', 'B', 'B', 'A'],
'value': [1, 2, 3, 4, 5],
'count': [10, 20, 30, 40, 50]
})
# 选择group和value两列
result = df.select(['group', 'value'])
print(result)
2.?过滤(filtering)
import polars as pl
# 创建一个DataFrame
df = pl.DataFrame({
'group': ['A', 'A', 'B', 'B', 'A'],
'value': [1, 2, 3, 4, 5]
})
# 在每个组内过滤掉小于3的值
result = df.groupby('group').apply(lambda x: x.filter(pl.col('value') >= 3))
print(result)
3.?聚合(Group by / Aggregation)
import polars as pl
# 创建一个DataFrame
df = pl.DataFrame({
'group': ['A', 'A', 'B', 'B', 'A'],
'value': [1, 2, 3, 4, 5]
})
# 在每个组内计算平均值和总和
result = df.groupby('group').agg({'value': ['mean', 'sum']})
print(result)
与之相对比的pandas的选择、过滤和聚合
1. pandas选择(IMHO,比Polars的简单)
import pandas as pd
# 创建一个DataFrame
df = pd.DataFrame({
'group': ['A', 'A', 'B', 'B', 'A'],
'value': [1, 2, 3, 4, 5],
'count': [10, 20, 30, 40, 50]
})
# 选择group和value两列
result = df[['group', 'value']]
print(result)
2. pandas过滤(可以用布尔索引过滤)
import pandas as pd
# 创建一个DataFrame
df = pd.DataFrame({
'group': ['A', 'A', 'B', 'B', 'A'],
'value': [1, 2, 3, 4, 5]
})
# 在每个组内过滤掉小于3的值
result = df.groupby('group').apply(lambda x: x[x['value'] >= 3])
print(result)
3. pandas聚合
import pandas as pd
# 创建一个DataFrame
df = pd.DataFrame({
'group': ['A', 'A', 'B', 'B', 'A'],
'value': [1, 2, 3, 4, 5]
})
# 在每个组内计算平均值和总和
result = df.groupby('group')['value'].agg(['mean', 'sum'])
print(result)
IMHO,看起来context操作,Pandas比Polars更直观。不过Polars能处理的数据量比Pandas大。
文章来源:https://blog.csdn.net/972301/article/details/135288463
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。 如若内容造成侵权/违法违规/事实不符,请联系我的编程经验分享网邮箱:veading@qq.com进行投诉反馈,一经查实,立即删除!
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。 如若内容造成侵权/违法违规/事实不符,请联系我的编程经验分享网邮箱:veading@qq.com进行投诉反馈,一经查实,立即删除!