详细内容或原文请订阅后点击阅览
人工智能开发人员是否应该从 Polars 转向 Pandas？
并非所有 Python 数据库都是一样的！这篇文章人工智能开发人员应该从 Polars 切换到 Pandas 吗？首先出现在《走向数据科学》上。
来源:走向数据科学如果你使用 Python 进行数据分析（或处理任何形式的数据）甚至几周，你几乎肯定使用过 Pandas，或者至少听说过它。
十多年来，Pandas 一直是清理数据、探索数据集以及为机器学习算法准备所述数据的标准库。无论您是在大学课程、业余项目还是全职工作中这样做，Pandas 几乎已经成为 Python 数据分析的代名词。
但近年来，Pandas 的一个有竞争力的替代品已经出现，这个库的名字在教程、GitHub 项目和 AI 工作流程中越来越频繁。那个图书馆就是 Polars。
许多开发者都采用 Polars 作为比 Pandas 更快的选择。他们使用不同的基准来显示良好的速度提升，尤其是在处理大型数据集时。考虑到这个速度，您可能会想：如果 Polars 快得多，那为什么不是每个人都使用它呢？
当我们超越速度优势时，反应会更有趣。你看，Pandas 和 Polars 基于不同的理念，理解这些理念比根据基准数据做出决定更有价值。
因此，在本文中，我们将研究这两个库之间的差异，解释为什么 Polars 通常更快（此处的关键字：通常），并说明何时一个库是更好的选择。
为什么要创建 Polars？
2008 年 Pandas 首次推出时，计算机已经不同了；大多数个人计算机只有少量的 CPU 核心，数据集要小得多，内存通常是限制因素。
因此，Pandas 的设计考虑到了这些现实。该 API 注重简单性和可读性，允许用户在处理表格数据时执行直观的操作。然而，当数据集大小达到数百万行时，Pandas 的一些原始设计选择就成为了其局限性。
乍一看，它们看起来很相似
熊猫
极坐标