详细内容或原文请订阅后点击阅览
初学者的数据分析指南
Polars是一个闪电般的数据框架库，非常适合快速，可扩展的数据分析。本指南涵盖了让您入门的基础知识。
来源:KDnuggets＃简介
＃当您与Python分析新手时，Pandas通常是大多数分析师学习和使用的东西。但是，牙液已经变得超级流行，更快，更高效。
pandas PORARS内置生锈，Polars处理可以减慢其他工具的数据处理任务。它是为了速度，记忆效率和易用性而设计的。在这篇对初学者友好的文章中，我们将介绍虚构的咖啡店数据并进行分析以学习Porars。听起来很有趣吗？让我们开始吧！
🔗链接github上的代码
链接到GitHub上的代码＃安装Polars 我们潜入分析数据之前，让我们避免安装步骤。首先，安装极点： ！ PIP安装Polars Numpy 现在，让我们导入库和模块： 导入Pol作为PL 导入numpy作为NP 从DateTime Import DateTime，TimeDelta 我们将PL用作Polars的别名。 pl ＃创建示例数据 想象一下，您正在管理一家小型咖啡店，说“豆”，并有数百个收据和相关数据进行分析。您想了解哪种饮料卖得最好，哪几天带来的收入最多以及相关问题。是的，让我们开始编码！ ☕ 为了使本指南实用，让我们为“豆类咖啡店”创建一个现实的数据集。我们将生成任何小型企业主都可以识别的数据： 这将创建一个带有2,000份咖啡交易的样本数据集。每行代表一个销售，其中包括订购的内容，何时，花费多少以及购买的详细信息。 ＃查看您的数据 在分析任何数据之前，您需要了解正在使用的内容。想想这就像在开始烹饪之前先看新食谱： ＃窥视您的数据 打印（“前5个交易：”） 打印（df.head（）） 打印（“我们有什么类型的数据？”） 打印（DF.Schema） 打印（“ \ n多大？我们的数据集？”） print（f“我们有{df.height}交易和{df.width}列”） head（） ＃添加新列 输出（您的确切数字可能会有所不同）： 这是发生的事情： with_columns（） pl.col（） alias（） dt
＃安装Polars
我们潜入分析数据之前，让我们避免安装步骤。首先，安装极点：
！ PIP安装Polars Numpy
现在，让我们导入库和模块：
导入Pol作为PL 导入numpy作为NP 从DateTime Import DateTime，TimeDelta
我们将PL用作Polars的别名。
pl
＃创建示例数据
想象一下，您正在管理一家小型咖啡店，说“豆”，并有数百个收据和相关数据进行分析。您想了解哪种饮料卖得最好，哪几天带来的收入最多以及相关问题。是的，让我们开始编码！ ☕
为了使本指南实用，让我们为“豆类咖啡店”创建一个现实的数据集。我们将生成任何小型企业主都可以识别的数据：
这将创建一个带有2,000份咖啡交易的样本数据集。每行代表一个销售，其中包括订购的内容，何时，花费多少以及购买的详细信息。
＃查看您的数据
在分析任何数据之前，您需要了解正在使用的内容。想想这就像在开始烹饪之前先看新食谱：
＃窥视您的数据
打印（“前5个交易：”）
打印（df.head（））
打印（“我们有什么类型的数据？”）
打印（DF.Schema）
打印（“ \ n多大？我们的数据集？”）
print（f“我们有{df.height}交易和{df.width}列”）
head（）
＃添加新列
输出（您的确切数字可能会有所不同）：
这是发生的事情：
with_columns（）
pl.col（）
alias（）dt