Polars vs Pandas w 2026: Wydajność, Składnia i Pytania Rekrutacyjne dla Analityków Danych

# benchmark_comparison.py
import polars as pl
import pandas as pd
import time

# Polars: leniwa ewaluacja z predicate pushdown
start = time.perf_counter()
result_polars = (
    pl.scan_parquet("sales_data_14gb.parquet")  # Lazy: dane jeszcze nie załadowane
    .filter(pl.col("region") == "EMEA")         # Predykat przesunięty do czytnika plików
    .group_by("product_category")
    .agg(pl.col("revenue").sum())
    .collect()                                   # Wykonanie następuje tutaj
)
polars_time = time.perf_counter() - start

# Pandas: gorliwa ewaluacja ładuje cały plik
start = time.perf_counter()
df = pd.read_parquet("sales_data_14gb.parquet")  # Całe 14 GB załadowane do pamięci
result_pandas = (
    df[df["region"] == "EMEA"]                   # Filtr zastosowany po załadowaniu
    .groupby("product_category")["revenue"]
    .sum()
)
pandas_time = time.perf_counter() - start

print(f"Polars: {polars_time:.2f}s | Pandas: {pandas_time:.2f}s")
# Typowy wynik: Polars: 1.2s | Pandas: 13.2s

# lazy_evaluation_example.py
import polars as pl

# Definiowanie leniwego zapytania (jeszcze bez wykonania)
lazy_query = (
    pl.scan_csv("transactions_50gb.csv")   # LazyFrame: tylko schemat, bez danych
    .filter(pl.col("amount") > 1000)       # Dodane do planu zapytania
    .filter(pl.col("status") == "completed")  # Połączone z powyższym filtrem
    .select(["transaction_id", "amount", "customer_id"])  # Projection pushdown
    .group_by("customer_id")
    .agg([
        pl.col("amount").sum().alias("total_spent"),
        pl.col("transaction_id").count().alias("transaction_count")
    ])
)

# Podgląd zoptymalizowanego planu zapytania
print(lazy_query.explain())
# Pokazuje: predicate pushdown, projection pushdown, łączenie filtrów

# Wykonanie gdy gotowe
result = lazy_query.collect()

# pandas_3_new_features.py
import pandas as pd

# Backend stringów PyArrow jest teraz domyślny (5-10x szybsze operacje na stringach)
df = pd.read_csv("users.csv")  # Stringi są teraz domyślnie string[pyarrow]

# Nowy expression builder (podobna składnia do Polars)
result = df.select(
    pd.col("name").str.upper(),
    pd.col("age") * 2,
    (pd.col("salary") > 100000).alias("high_earner")
)

# Copy-on-Write eliminuje SettingWithCopyWarning
subset = df[df["age"] > 30]  # Zwraca widok, nie kopię
subset = subset.copy()        # Jawna kopia wymagana do mutacji

# Nowe metody interop z Arrow
import pyarrow as pa
arrow_table = pa.table({"x": [1, 2, 3]})
df = pd.DataFrame.from_arrow(arrow_table)  # Import zero-copy

# filtering_comparison.py
import polars as pl
import pandas as pd

# Przykładowe dane
data = {
    "name": ["Alice", "Bob", "Charlie", "Diana"],
    "department": ["Engineering", "Sales", "Engineering", "HR"],
    "salary": [95000, 72000, 88000, 65000],
    "years": [5, 3, 7, 2]
}

# POLARS: Jawne referencje do kolumn z pl.col()
df_pl = pl.DataFrame(data)
result_pl = (
    df_pl
    .filter(pl.col("department") == "Engineering")  # Filtr z pl.col()
    .filter(pl.col("salary") > 80000)               # Łańcuchowanie filtrów
    .select(["name", "salary"])                     # Selekcja kolumn
)

# PANDAS: Notacja nawiasowa
df_pd = pd.DataFrame(data)
result_pd = (
    df_pd
    .loc[df_pd["department"] == "Engineering"]  # loc do filtrowania
    .loc[lambda x: x["salary"] > 80000]         # Lambda do łańcuchowania
    [["name", "salary"]]                        # Nawiasy do selekcji
)

# aggregation_comparison.py

# POLARS: Ekspresyjna składnia agregacji
result_pl = (
    df_pl
    .group_by("department")
    .agg([
        pl.col("salary").mean().alias("avg_salary"),
        pl.col("salary").max().alias("max_salary"),
        pl.col("name").count().alias("headcount"),
        (pl.col("salary") * pl.col("years")).sum().alias("total_compensation_years")
    ])
)

# PANDAS: Składnia named aggregation
result_pd = (
    df_pd
    .groupby("department")
    .agg(
        avg_salary=("salary", "mean"),
        max_salary=("salary", "max"),
        headcount=("name", "count"),
        total_compensation_years=("salary", lambda x: (df_pd.loc[x.index, "salary"] * df_pd.loc[x.index, "years"]).sum())
    )
)

# joins_comparison.py

employees = pl.DataFrame({
    "emp_id": [1, 2, 3],
    "name": ["Alice", "Bob", "Charlie"],
    "dept_id": [10, 20, 10]
})

departments = pl.DataFrame({
    "dept_id": [10, 20, 30],
    "dept_name": ["Engineering", "Sales", "HR"]
})

# POLARS: Jawna składnia join
result_pl = employees.join(
    departments,
    on="dept_id",      # Kolumna join
    how="left"         # Typ join: left, inner, outer, cross, semi, anti
)

# PANDAS: Funkcja merge
result_pd = pd.merge(
    employees.to_pandas(),
    departments.to_pandas(),
    on="dept_id",
    how="left"
)

# hybrid_workflow.py
import polars as pl
from sklearn.ensemble import RandomForestClassifier
import matplotlib.pyplot as plt

# Ciężkie przetwarzanie danych z Polars (10x szybsze)
df = (
    pl.scan_parquet("raw_data/*.parquet")
    .filter(pl.col("valid") == True)
    .with_columns([
        (pl.col("revenue") / pl.col("quantity")).alias("unit_price"),
        pl.col("timestamp").dt.month().alias("month")
    ])
    .group_by(["customer_id", "month"])
    .agg([
        pl.col("revenue").sum(),
        pl.col("quantity").mean()
    ])
    .collect()
)

# Konwersja do Pandas dla ML (zero-copy dla kolumn numerycznych)
X = df.select(["revenue", "quantity"]).to_pandas()
y = df.select("churn").to_pandas().values.ravel()

# scikit-learn oczekuje Pandas/NumPy
model = RandomForestClassifier()
model.fit(X, y)

# Wykresy z integracją Pandas
df.to_pandas().plot(kind="bar", x="month", y="revenue")
plt.savefig("monthly_revenue.png")

# interview_answer_large_file.py
import polars as pl

# Opcja 1: Leniwa ewaluacja ze streamingiem (Polars)
result = (
    pl.scan_csv("large_file.csv")  # Czyta tylko schemat
    .filter(pl.col("status") == "active")
    .group_by("region")
    .agg(pl.col("revenue").sum())
    .collect(streaming=True)  # Przetwarza w partiach
)

# Opcja 2: Przetwarzanie w kawałkach (fallback Pandas)
import pandas as pd

results = []
for chunk in pd.read_csv("large_file.csv", chunksize=1_000_000):
    filtered = chunk[chunk["status"] == "active"]
    agg = filtered.groupby("region")["revenue"].sum()
    results.append(agg)

final = pd.concat(results).groupby(level=0).sum()

# interview_conversion.py

# Dany kod Pandas
df = pd.read_csv("sales.csv")
df["year"] = pd.to_datetime(df["date"]).dt.year
result = (
    df[df["amount"] > 1000]
    .groupby(["region", "year"])
    .agg({"amount": ["sum", "mean"], "customer_id": "nunique"})
)

# Odpowiednik w Polars
result = (
    pl.scan_csv("sales.csv")  # Lazy dla optymalizacji
    .with_columns(
        pl.col("date").str.to_datetime().dt.year().alias("year")
    )
    .filter(pl.col("amount") > 1000)
    .group_by(["region", "year"])
    .agg([
        pl.col("amount").sum().alias("amount_sum"),
        pl.col("amount").mean().alias("amount_mean"),
        pl.col("customer_id").n_unique().alias("unique_customers")
    ])
    .collect()
)

# migration_strategy.py
import polars as pl
import pandas as pd

# Krok 1: Zachowaj Pandas do szybkiej eksploracji
def explore_data(path: str) -> pd.DataFrame:
    return pd.read_csv(path).head(1000)

# Krok 2: Wprowadź Polars do ciężkich transformacji
def process_data(path: str) -> pl.DataFrame:
    return (
        pl.scan_csv(path)
        .filter(pl.col("valid") == True)
        .with_columns([
            (pl.col("price") * pl.col("quantity")).alias("total")
        ])
        .collect()
    )

# Krok 3: Konwertuj na granicach gdzie potrzeba
def train_model(df_polars: pl.DataFrame):
    df_pandas = df_polars.to_pandas()  # Zero-copy dla numeric
    # kod scikit-learn tutaj

# Krok 4: Stopniowo zastępuj gorące ścieżki
# Zidentyfikuj wolne operacje Pandas przez profilowanie
# Zastąp odpowiednikami Polars jedna funkcja na raz