La biblioteca de Dataframe más rápida - Polars vs Pandas

En este video te contamos de una nueva alternativa en el procesamiento de datos mediante #dataframes en Python.
Se trata de Polars, una librería potente y eficaz para manipular datos de gran tamaño de forma rápida. Mediante un ejemplo práctico te explicamos las alternativas que ofrece esta opción.
Link del ejemplo práctico en github: github.com/lui...
#dataanalytics #datascience #csv #pythontutorial #coding #codingskills #dataframes #pandas #polars

[@multitaskprueba1]

Eres genial! Excelente video! Gracias! Puedes hacer un video q muestre un ejemplo de como manejar datos que son mAs grandes que la memoria ram en Polars y PySpark?

[@datasciencecampbyedu]

Si puedo agendarlo para unas próximas semanas

[@GeeKBio]

muy similar la sintaxis de librerías como pandas y/o pyspark

[@datasciencecampbyedu]

Así es amigo

[@carlosfelipegonzalezfrasse2834]

Muy Buen contenido bro! Por favor sigue asi!! Nuevo Sub

[@datasciencecampbyedu]

Un abrazo bro. Así será. Se viene bastante contenido que ya estamos preparando.

[@hadesishykaru]

Pandas tiene un problema, porque cuando solo necesitas leer el nombre de las columnas, pandas carga todo el dataframe y luego te muestra el nombre de las columnas, pero cuando son muchas bases muy pesadas empieza a ser un problema, ¿como funciona acá?

[@datasciencecampbyedu]

Hola. Un cordial saludo. La diferencia es que polars aprovecha mejor los recursos y de manera más óptima. Por ejemplo: Polars utiliza completamente la potencia del equipo dividiendo la carga de trabajo entre los núcleos de CPU, disponibles sin ninguna configuración adicional , tiene también control del uso de la memoria lo que hace que al cargar los datos o fuentes de datos, divida en procesos con mayor tiempo de respuesta. Es decir, no hay sobrecarga en tiempo de ejecución.