Polars - Biblioteca rápida de DataFrames

Polars - Biblioteca rápida de DataFrames

Polars es una biblioteca de alto rendimiento de DataFrames escrita en Rust con enlaces de Python, R y Node. Es multi-hilos por defecto, construida en memoria columnar de Arrow de Apache, y ofrece una API perezosa con un optimizador de consultas que reordena y poda el trabajo antes de ejecutar. En conjuntos de datos grandes es típicamente muchas veces más rápido que pandas y usa menos memoria, mientras su API de expresión se compone más limpiamente. Se ha convertido en la recomendación por defecto para trabajo de datos nuevo en 2026.

Instalación

Método	Comando
pip	pip install polars
uv	uv add polars
Con extras	pip install "polars[all]" (excel, base de datos, gráficos)
Verificar	python -c "import polars as pl; print(pl.__version__)"

Lectura y escritura

Operación	Código
CSV	pl.read_csv("data.csv")
Parquet	pl.read_parquet("data.parquet")
JSON	pl.read_json("data.json")
Base de datos	pl.read_database(query, connection)
CSV perezoso	pl.scan_csv("data.csv") (diferido)
Parquet perezoso	pl.scan_parquet("*.parquet")
Escribir	df.write_parquet("out.parquet")

Ansioso vs Perezoso (la idea clave)

import polars as pl

# Ansioso: se ejecuta inmediatamente
df = pl.read_csv("sales.csv")
result = df.filter(pl.col("amount") > 100).group_by("region").agg(pl.col("amount").sum())

# Perezoso: construye un plan, optimiza, luego ejecuta en .collect()
result = (
    pl.scan_csv("sales.csv")
      .filter(pl.col("amount") > 100)
      .group_by("region")
      .agg(pl.col("amount").sum())
      .collect()
)

El modo perezoso permite al optimizador empujar filtros hacia abajo del escaneo y leer solo columnas necesarias — a menudo una aceleración grande en archivos grandes. Prefiere scan_* + .collect() para cargas de trabajo reales.

Expresiones (la API principal)

Expresión	Hace
pl.col("x")	Referencia una columna
pl.col("x").sum()	Agrega
pl.col("x").alias("y")	Renombra salida
pl.col("*")	Todas las columnas
pl.lit(5)	Valor literal
pl.when(cond).then(a).otherwise(b)	Condicional

Selección y filtrado

Tarea	Código
Selecciona columnas	df.select("a", "b")
Columna computada	df.with_columns((pl.col("a") * 2).alias("a2"))
Filtra filas	df.filter(pl.col("a") > 10)
Múltiples condiciones	df.filter((pl.col("a") > 10) & (pl.col("b") == "x"))
Cabeza/cola	df.head(10), df.tail(10)
Ordena	df.sort("a", descending=True)
Único	df.unique(subset=["a"])

Agregación y agrupación

(df.group_by("region")
   .agg(
       pl.col("amount").sum().alias("total"),
       pl.col("amount").mean().alias("avg"),
       pl.col("order_id").n_unique().alias("orders"),
   ))

Agregación	Expresión
Suma/media/mín/máx	.sum(), .mean(), .min(), .max()
Conteo	.count(), .n_unique()
Primero/último	.first(), .last()
Cuantil	.quantile(0.95)
Listar recopilar	.implode()

Uniones

Tipo	Código
Interior	a.join(b, on="id")
Izquierda	a.join(b, on="id", how="left")
Exterior	a.join(b, on="id", how="full")
Anti	a.join(b, on="id", how="anti")
Semi	a.join(b, on="id", how="semi")
Como-de (tiempo)	a.join_asof(b, on="ts")

Cadenas, fechas, listas

Espacio de nombres	Ejemplo
.str	pl.col("s").str.to_uppercase(), .str.contains("x")
.dt	pl.col("t").dt.year(), .dt.truncate("1h")
.list	pl.col("l").list.len(), .list.first()
.cast	pl.col("a").cast(pl.Int64)

Interoperabilidad

Objetivo	Código
pandas	df.to_pandas() / pl.from_pandas(pdf)
Arrow	df.to_arrow()
NumPy	df.to_numpy()
DuckDB	Consulta marcos Polars directamente desde DuckDB

Polars vs pandas

Aspecto	Polars	pandas
Motor	Rust, multi-hilos	Python/C, principalmente mono-hilos
Memoria	Columnar de Arrow	Respaldada por NumPy
Optimizador perezoso	Sí	No
API	Basada en expresión, componible	Índice-céntrica
Ecosistema	Creciendo rápido	Vasto, maduro

Para análisis primero por SQL sobre archivos, empareja con DuckDB; pandas sigue siendo valioso por su amplitud de ecosistema.

Recursos

• Sitio web oficial
• Guía del usuario
• Repositorio GitHub