Capitolo 4. Strutture dati e tipi di dati
Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: translation-feedback@oreilly.com
Ora che sei stato presentato correttamente, è il momento di concentrarci sul funzionamento di Polars.
I dati sono di molte forme e dimensioni e per poterli utilizzare è necessario memorizzarli in strutture adeguate. Per poter gestire tutti i dati con cui lavorerai, Polars implementa la specifica di memoria Arrow, che offre una vasta gamma di tipi di dati.
In questo capitolo imparerai a conoscere:
-
Le strutture che Polars utilizza per memorizzare i dati
-
I diversi tipi di dati disponibili
-
Alcuni tipi di dati che non sono così immediati
Iniziamo il bellissimo viaggio di conoscenza dei polacchi.
Le istruzioni per ottenere i file di cui potresti aver bisogno sono riportate nel Capitolo 2. Partiamo dal presupposto che i file si trovino nella sottodirectory dei dati.
Serie, DataFrames e LazyFrames
Polars memorizza tutti i suoi dati in una Serie o in un DataFrame.
Una Serie è una struttura di dati unidimensionale che contiene una sequenza di valori. Tutti i valori di una Serie hanno lo stesso tipo di dati, come gli interi, i float o le stringhe. Le Serie possono esistere da sole, ma sono più comunemente utilizzate come colonne in un DataFrame.
Un esempio di serie è il seguente:
sales_series=pl.Series("sales",[150.00,300.00,250.00])sales_series
shape: (3,) Series: 'sales' [f64] [ 150.0 300.0 250.0 ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access