Introduction à Polars : Pourquoi l'utiliser plutôt que Pandas ?

• Présentation de Polars et de ses avantages par rapport à Pandas, notamment en termes de performances et de gestion de la mémoire.

Premiers pas avec Polars : Opérations de base et passade de Pandas à Polars

• Couvrir les opérations fondamentales telles que la lecture de données, la sélection de colonnes, le filtrage des lignes, les agrégations simples et la gestion des types.

Filtrage et manipulation avancés des données avec Polars

• Explorer en profondeur les filtrages complexes, les opérations conditionnelles et l'application de fonctions définies par l'utilisateur.

Agrégation et regroupement de données avec Polars

• Explication détaillée du groupement de données, de la réalisation d'agrégations et de la compréhension de l'exécution paresseuse vs immédiate.

Joindre et fusionner des données avec Polars

• Expliquer les différents types de jointures (interne, externe, gauche, droite) et comment fusionner plusieurs ensembles de données efficacement.

Gestion des séries temporelles avec Polars

• Bien que la série principale exclue la gestion des dates, un tutoriel concentré sur les opérations de séries temporelles peut être très utile, couvrant le regroupement basé sur le temps, le rééchantillonnage et les fonctions de fenêtre.

Optimisation du code Polars pour la performance

• Conseils et astuces pour écrire un code Polars efficace, incluant l'utilisation de cadres paresseux, évitant les pièges courants, et exploitant le traitement parallèle.

Utilisation de Polars dans les projets de science des données

• Présenter un petit projet ou une étude de cas pour démontrer comment Polars peut être utilisé dans les flux de travail réels de science des données.

Visualisation des données avec Polars

• Bien que Polars ne supporte pas directement la visualisation, ce tutoriel peut couvrir comment convertir des dataframes Polars en Pandas pour la visualisation avec des bibliothèques comme Matplotlib ou Seaborn.

Analyse de données à grande échelle : Polars sur de grands ensembles de données

• Démontrer la scalabilité de Polars en traitant des ensembles de données très volumineux qui seraient typiquement un défi pour Pandas, en mettant en avant la gestion de la mémoire et la vitesse d'exécution.