讲师中心 微信公众号

工具推荐

视频效率加速
剧云
剧云

中文短剧剧本制作平台

updream

一键生成高质量推广成片

SoundView
SoundView

字幕擦除翻译、配音口型同步

AniShort
AniShort

AI短剧协同制作平台

在Python 3.11中如何利用Polars加速机器学习特征工程预处理

酷伟小哥_3144

酷伟小哥_3144

发布时间:2026-11-19 09:26:25

|

548人浏览过

|

来源于php中文网

原创

Polars加速不依赖Python 3.11,核心由Rust实现、绕过GIL;真正提速点在于关闭schema推断、启用lazy API、避免apply回调、用json_path_match解析JSON、直接转PyTorch Dataset。

在python 3.11中如何利用polars加速机器学习特征工程预处理

Polars 在 Python 3.11 中不会因为版本升级而“自动变快”,它的加速能力压根不依赖 Python 解释器——核心计算由 Rust 实现,绕过 GIL 和 CPython 对象模型。你真正能控制的加速点,在于配置、写法和数据流转路径。

polars.read_* 函数必须显式关闭 infer_schema_length

默认情况下,pl.read_csv() 或 pl.read_parquet() 会扫描前 100 行推断 schema,对千万级文件可能白耗数秒。尤其当列类型稳定(如日志中 timestamp 总是 ISO8601 字符串),这一步纯属冗余。

  • 手动指定 schema:用 pl.Schema({"ts": pl.String, "value": pl.Float64}) 传入,跳过全部推断
  • 或设 infer_schema_length=0,强制按首行类型解析(需确保首行有代表性)
  • 实测:1200 万行 CSV,关掉推断后读取快 37%,且内存峰值下降 22%

大表过滤/聚合必须走 lazy API:pl.scan_* + collect()

直接用 pl.read_parquet("data.parquet").filter(...).groupby(...).agg(...) 会把整张表加载进内存再计算,极易 OOM。而 pl.scan_parquet() 返回的是逻辑计划,filter/groupby 都只是追加节点,直到 collect() 才触发物理执行。

  • 适合场景:特征工程中常见的“按用户 ID 聚合行为序列”“按时间窗口滑动统计”
  • 注意:scan 不支持所有操作,比如不能直接在 lazy frame 上调 .describe(),得先 collect()
  • 小技巧:用 .explain(optimized=True) 看优化后的执行计划,确认是否真的做了谓词下推(predicate pushdown)

嵌套结构(JSON/struct/list)别用 apply,改用 json_path_match 或 struct.field

对含 JSON 字符串的列做解析,若写 df.with_columns(pl.col("meta").apply(lambda x: json.loads(x).get("device"))),就等于主动放弃 Polars 并行性——每个元素都进 Python 解释器回调一次。

Python健壮编程
Python健壮编程

编写可靠Python代码,避免可变默认值、导入陷阱与运行时意外

下载

立即学习“Python免费学习笔记(深入)”;

  • 正确做法:pl.col("meta").str.json_path_match("$.device")(字符串 JSON)或 pl.col("struct_col").struct.field("device")(已解析为 struct)
  • 性能差异:百万行 JSON 字符串,前者耗时 8.2 秒,后者仅 0.15 秒,且全程零 Python 回调
  • 前提:确保字段内容格式一致,否则 json_path_match 会返回 null,比崩溃更可控

转 PyTorch 训练前别.to_numpy(),用 polars.ml.torch.PolarsDataset

很多人习惯 df.select(features).to_numpy() → torch.tensor() → DataLoader,这中间多了一次内存拷贝,还可能因 dtype 不匹配触发隐式转换(比如 int64 列转成 float32 tensor 时悄悄降精度)。

  • 装完整版:pip install "polars[ml]"(不是只装 polars)
  • 直接构建:dataset = PolarsDataset(df.select(pl.exclude("label")), df["label"])
  • 原理:底层通过 Arrow 的 zero-copy buffer 映射到 Tensor,跳过 NumPy 中转层
  • 限制:label 列必须是数值型(pl.Int64/pl.Float32),分类标签需提前 .cast(pl.Int64)

最容易被忽略的一点:Polars 加速效果与 Python 版本无关,但和你的数据源格式强相关。Parquet + Snappy 压缩 + 合理分块(row group size ≈ 10MB)能让 scan_parquet 的 I/O 和解压效率拉满;CSV 则永远慢一截——别在 CSV 上死磕 Polars 优化。

热门AI工具

更多
Atoms
Atoms Hot

Atoms是一款AI智能体工具,第一支自动构建真实业务的 AI 团队。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

Laper
Laper Hot

Laper是专为编剧、导演和制片人推出的 AI 原生剧本创作工具。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

VibeKnow
VibeKnow Hot

一款AI视频创作工具,主要用于全球首个AI知识视频创作平台,文档、文章、网页,一键生成视频,适合需要提升相关任务效率的用户。

超级简历WonderCV

一款AI办公效率工具,主要用于免费求职简历模版下载制作,应届生职场人必备简历制作神器,适合需要提升相关任务效率的用户。

Lovart
Lovart Hot

一款面向视觉设计创作的AI设计平台,可通过智能体和画布工作流辅助制作海报、Logo、网页、PPT及其他视觉内容。

SkildArt
SkildArt Hot

SkildArt是一款AI文本写作工具,一站式 AI 视觉创作平台。

DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

1951

2023.07.20

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

5564

2023.07.25

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

1889

2023.07.31

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

33997

2023.08.03

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

3987

2023.08.04

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

3987

2023.08.04

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

1283

2023.08.11

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

636

2023.08.10

GoFrame框架Web开发与路由中间件
GoFrame框架Web开发与路由中间件

本专题聚焦GoFrame框架的Web开发,拆解路由注册与匹配规则、请求参数获取、参数校验与中间件执行顺序,说明统一响应、JWT鉴权、文件上传与接口文档生成的落地方式,并补充优雅重启与测试实践。

0

2026.11.17

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn