🚀 nitro-pandas: cкорость Polars с интерфейсом Pandas

Основная идея проекта проста: зачем учить новый синтаксис Polars, если можно использовать привычный df.groupby().mean(), но выполнять его в разы быстрее?

✨ Ключевые особенности:
— Вы используете привычные .loc, .iloc, .groupby() и .fillna().
— Все тяжелые вычисления делегируются Polars, который оптимизирует запросы и использует многопоточность.
— Если какая-то функция еще не реализована в «нативном» виде, библиотека сама временно конвертирует данные в обычный pandas, выполнит операцию и вернет результат.
— Поддержка ленивых вычислений (`read_csv_lazy`). Вы строите цепочку преобразований, а движок оптимизирует их перед реальным запуском.

Самый большой прирост производительности заметен в «нативных» операциях: groupby, sort, filter, nlargest и pivot_table.

Переход на nitro-pandas выглядит буквально как замена одной строки импорта:

# Было (pandas)
import pandas as pd
df = pd.read_csv('data.csv')

# Стало (nitro-pandas)
import nitro_pandas as npd
df = npd.read_csv('data.csv')

# Весь остальной код остается прежним!
result = df.groupby('category')['value'].mean()


Установка: pip install nitro-pandas

Ссылка на библиотеку

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека дата-сайентиста

#буст