วิธีใช้ polars: package ทรงพลังสำหรับทำงานกับ tabular data ใน Python — ตัวอย่างการทำงานกับ IKEA Products dataset

polars เป็น package สำหรับทำงานกับข้อมูลในรูปแบบตาราง (tabular data) ใน Python และถูกพัฒนาด้วย Rust และ Apache Arrow ซึ่งทำให้ polars ประมวลผลได้เร็วและมีประสิทธิภาพสูง

polars เป็นทางเลือกสำหรับคนที่เบื่อกับข้อจำกัดของ pandas ซึ่งเป็น package ยอดนิยมสำหรับทำงานกับข้อมูลในรูปแบบตาราง โดย polars ได้เปรียบ pandas อยู่ 3 อย่าง:

1. Fast: ประมวลผลเร็วกว่า
2. Intuitive: มี syntax ที่ใช้ง่ายกว่า
3. Lazy: รองรับการเขียนแบบ lazy evaluation (ดูรายละเอียดเพิ่มเติมด้านล่าง) ทำให้ประมวลผลได้มีประสิทธิภาพมากกว่า

Note: ดูวิธีการใช้ pandas ได้ที่บทความนี้

ในบทความนี้ เราจะมาดูวิธีใช้ polars ผ่านตัวอย่างการทำงานกับ IKEA Products dataset ที่มีข้อมูลเฟอร์นิเจอร์จาก IKEA กัน

โดยบทความแบ่งเป็น 9 ส่วนดังนี้:

1. Import package and dataset: โหลด package และ dataset
2. Explore: สำรวจ dataset ก่อนทำงานกับข้อมูล
3. Select: เลือกข้อมูล
4. Filter: กรองข้อมูล
5. Sort: จัดเรียงข้อมูล
6. Aggregate: หาค่าทางสถิติ
7. Mutate: เพิ่ม ลบ แก้ไข column
8. Lazy: การทำงานแบบ lazy
9. Chaining: การเชื่อมต่อ function

ถ้าพร้อมแล้ว ไปเริ่มกันเลย

1. 📦 Section 1. Import Package & Dataset
2. 🧭 Section 2. Explore
   1. 🔷 2.1 shape
   2. 🗺️ 2.2 schema
   3. 🐵 2.3 head()
   4. 🔎 2.4 glimpse()
   5. 📝 2.5 describe()
3. 🫳 Section 3. Select
   1. 🔲 3.1 Using []
   2. 🔪 3.2 Using slice() & select()
4. 👀 Section 4. Filter
   1. ☝️ 4.1 One Condition
   2. 🖐️ 4.2 Multiple Conditions
5. ↕️ Section 5. Sort
   1. ⬆️ 5.1 Ascending
   2. ⬇️ 5.2 Descending
   3. 🖐️ 5.3 Multiple Columns
6. 🧮 Section 6. Aggregate
   1. 🏠 6.1 Basic
   2. 🏘️ 6.2 Group By
7. 💪 Section 7. Mutate
   1. ➕ 7.1 Add Columns
   2. 🗑️ 7.2 Remove Columns
8. 🥱 Section 8. Lazy
9. 🔗 Section 9. Chaining
10. ⭐️ Summary
11. ⏭️ Next Step: DIY
12. 📃 References

📦 Section 1. Import Package & Dataset

ในขั้นแรก เราจะโหลด package และ dataset ที่จะใช้งานกันก่อน

เราจะโหลด package ด้วย import แบบนี้:

import polars as pl

Note: ก่อนโหลด เราจะต้องติดตั้ง package ซึ่งเราสามารถทำได้ด้วย pip install

และโหลด dataset ด้วย read_csv() เพราะข้อมูลเป็นไฟล์ CSV:

df = pl.read_csv("ikea_products.csv")

ตอนนี้ เรามีข้อมูลพร้อมจะทำงานต่อแล้ว

🧭 Section 2. Explore

ในขั้นที่ 2 เราจะสำรวจข้อมูลที่เพิ่งโหลดเสร็จ ซึ่งเราทำได้ 5 วิธี:

1. shape
2. schema
3. head()
4. glimpse()
5. describe()

.

🔷 2.1 shape

shape เป็น attribute สำหรับเช็กจำนวน rows และ columns ใน dataset:

df.shape

ผลลัพธ์:

จากผลลัพธ์ จะเห็นว่า dataset มีข้อมูล 3,694 rows และมี 14 columns

.

🗺️ 2.2 schema

schema เป็น attribute สำหรับแสดงชื่อและประเภทข้อมูลของ columns:

df.schema

ผลลัพธ์:

.

🐵 2.3 head()

head() เป็น method สำหรับดู n rows แรกของข้อมูล เช่น ดู 10 แรกของข้อมูล:

df.head(10)

ตัวอย่างผลลัพธ์:

.

🔎 2.4 glimpse()

glimpse() เป็น method สำหรับดูโครงสร้างข้อมูล ซึ่งประกอบด้วย:

1. จำนวน rows และ columns
2. ชื่อ column
3. ประเภทข้อมูล
4. ตัวอย่างข้อมูล

df.glimpse()

ตัวอย่างผลลัพธ์:

.

.

📝 2.5 describe()

describe() เป็น method สำหรับแสดง summary statistics ของ columns:

1. count: จำนวนข้อมูล
2. null_count: จำนวนข้อมูลที่เป็นค่าว่าง
3. mean: ค่าเฉลี่ย
4. std: ค่าเบี่ยงเบนมาตรฐาน (standard deviation)
5. min: ค่าต่ำสุด
6. 25%, 50%, 75%: ข้อมูลที่ quartile ที่ 1, 2, และ 3
7. max: ค่าสูงสุด

df.describe()

ตัวอย่างผลลัพธ์:

🫳 Section 3. Select

เรามี 2 วิธีในการเลือก rows และ columns จากข้อมูล:

1. ใช้ []
2. ใช้ slice() และ select()

.

🔲 3.1 Using []

เราจะใช้ [] โดยกำหนด rows และ columns ที่ต้องการแบบนี้:

df[rows, cols]

ถ้าเราต้องการ rows หรือ columns ทั้งหมด ให้เราเว้นข้อมูลส่วนนั้นไว้ เช่น เลือกข้อมูล 10 rows แรก และ columns ทั้งหมด:

df[:10]

ตัวอย่างผลลัพธ์:

หรือเลือกเฉพาะ columns ชื่อ ประเภท และราคา และ rows ทั้งหมด:

df[["name", "category", "price"]]

ผลลัพธ์:

ถ้าต้องการทั้ง rows และ columns ให้เรากำหนดทั้งสองอย่าง เช่น ข้อมูล 10 rows แรก โดยเลือกเฉพาะ columns ชื่อ ประเภท และราคา:

df[0:10, ["name", "category", "price"]]

ผลลัพธ์:

.

🔪 3.2 Using slice() & select()

เราสามารถใช้ slice() และ select() เพื่อเลือกข้อมูลแทนการใช้ [] ได้ โดย:

1. ใช้ slice() เลือก rows
2. ใช้ select() เลือก columns

เช่น เลือกข้อมูล 10 rows แรก:

df.slice(0, 10)

ตัวอย่างผลลัพธ์:

เลือก columns ชื่อ ประเภท และราคา:

df.select(["name", "category", "price"])

ผลลัพธ์:

สุดท้าย เราสามารถใช้ทั้ง slice() และ select() ร่วมกันเพื่อเลือกทั้ง rows และ columns ได้แบบนี้:

df.slice(0, 10).select(["name", "category", "price"])

ผลลัพธ์:

👀 Section 4. Filter

เรากรองข้อมูลได้ด้วย filter() ซึ่งรับรองการกรองแบบ 1 เงื่อนไข และมากกว่า 1 เงื่อนไข

.

☝️ 4.1 One Condition

ตัวอย่างการกรองแบบ 1 เงื่อนไข เช่น เลือกเฉพาะข้อมูลของ outdoor furniture:

df.filter(pl.col("category") == "Outdoor furniture")

Note: สังเกตว่า เราใช้ col() เพื่อระบุ column ที่ต้องการ

ตัวอย่างผลลัพธ์:

.

🖐️ 4.2 Multiple Conditions

สำหรับการกรองหลายเงื่อนไข เราจะใช้ logical operator ช่วย:

เช่น เลือกข้อมูล outdoor furniture ที่ราคาสูงกว่า 1,000:

df.filter(
    (pl.col("category") == "Outdoor furniture") &
    (pl.col("price") > 1000)
)

ตัวอย่างผลลัพธ์:

↕️ Section 5. Sort

สำหรับจัดลำดับข้อมูล เราจะใช้ sort() ซึ่งรองรับการใช้งาน 3 กรณี:

1. Ascending: เรียงจากน้อยไปมาก (A–Z)
2. Descending: เรียงจากมากไปน้อย (Z–A)
3. Multiple columns: เรียงลำดับหลาย columns พร้อมกัน

.

⬆️ 5.1 Ascending

Default ในการจัดลำดับของ sort() คือ เรียงจากน้อยไปมาก เช่น จัดเรียงข้อมูลตามราคา:

df.sort("price")

ตัวอย่างผลลัพธ์:

.

⬇️ 5.2 Descending

ถ้าต้องการจัดเรียงแบบมากไปน้อย เราจะต้องกำหนด argument descending=True:

df.sort("price", descending=True)

ตัวอย่างผลลัพธ์:

.

🖐️ 5.3 Multiple Columns

ถ้าต้องการจัดลำดับหลาย columns พร้อมกัน เราจะกำหนด columns และวิธีจัดเรียง (ascending vs descending) เช่น จัดเรียงตามประเภทเฟอร์นิเจอร์ (A–Z) และราคา (Z–A):

df.sort(
    ["category", "price"],
    descending=[False, True]
)

ตัวอย่างผลลัพธ์:

🧮 Section 6. Aggregate

Aggregate คือ การสรุปข้อมูล เช่น หาค่าเฉลี่ย และทำได้ 2 วิธี:

1. แบบไม่จัดกลุ่ม ด้วยคำสั่ง select()
2. แบบจัดกลุ่ม ด้วยคำสั่ง group_by() และ agg()

.

🏠 6.1 Basic

ตัวอย่างสรุปข้อมูลโดยไม่จัดกลุ่ม เช่น หาค่าเฉลี่ย ค่าต่ำสุด และค่าสูงสุดของราคาเฟอร์นิเจอร์:

df.select(
    pl.col("price").mean().alias("Mean"),
    pl.col("price").min().alias("Min"),
    pl.col("price").max().alias("Max")
)

Note: alias() ใช้ตั้งชื่อ column

ผลลัพธ์:

.

🏘️ 6.2 Group By

ตัวอย่างสรุปข้อมูลแบบจัดกลุ่ม เช่น หาค่าเฉลี่ย ค่าต่ำสุด และค่าสูงสุดของราคาเฟอร์นิเจอร์ ตามประเภทเฟอร์นิเจอร์:

df.group_by("category").agg(
    pl.col("price").mean().alias("Mean"),
    pl.col("price").min().alias("Min"),
    pl.col("price").max().alias("Max")
)

ตัวอย่างผลลัพธ์:

💪 Section 7. Mutate

Mutate หมายถึง การปรับเปลี่ยน columns ที่มีอยู่ เช่น เพิ่มหรือลบ columns

.

➕ 7.1 Add Columns

ตัวอย่างการเพิ่ม columns เช่น:

1. เพิ่ม column ส่วนลด (discount) โดยราคามากกว่า 1,000 จะลด 15% และราคาน้อยกว่านั้นจะลด 10% และ
2. เพิ่ม column แสดงราคาหลังใช้ส่วนลดแล้ว (price_discounted)

เราสามารถเขียน code ได้ดังนี้:

df.with_columns(
    discount = pl.when(pl.col("price") > 1000)
    .then(0.15)
    .otherwise(0.10),
).with_columns(
    price_discounted = pl.col("price") * (1 - pl.col("discount"))
)

Note: เราใช้ when(), then(), otherwise() ช่วยกำหนดเงื่อนไขที่ต้องการ

ตัวอย่างผลลัพธ์:

สังเกตว่า columns ใหม่จะอยู่ต่อท้ายสุด

.

🗑️ 7.2 Remove Columns

เราลบ column ได้ด้วย drop() เช่น ลบ columns ราคาเก่า (old_price) และการขายออนไลน์ (sellable_online):

df.drop(["old_price", "sellable_online"])

ตัวอย่างผลลัพธ์:

🥱 Section 8. Lazy

Lazy evaluation เป็นการประมวลผลที่จะรันก็ต่อเมื่อได้รับคำสั่ง ซึ่งช่วยให้การทำงานมีประสิทธิภาพมากขึ้น เพราะการประมวลผลจะไม่เกิดขึ้นจนกว่าจะจำเป็น

Note: การประมวลผลในทันทีโดยไม่รอคำสั่ง เรียกว่า eager evaluation

การทำงานแบบ lazy evaluation มีอยู่ 3 ขั้นตอน:

ขั้นที่ 1. สร้าง LazyFrame ซึ่งเป็นข้อมูลสำหรับ lazy evaluation ด้วย lazy():

df_lz = df.lazy()

ขั้นที่ 2. เขียนคำสั่งที่ต้องการ เช่น เลือก columns:

execution = df_lz.select(["name", "category", "price"])

ขั้นที่ 3. สั่งให้ประมวลผลด้วยคำสั่ง collect():

execution.collect()

ผลลัพธ์:

🔗 Section 9. Chaining

Chaining เป็นการเชื่อมต่อ function เพื่อส่งผลลัพธ์จาก function หนึ่งไปยังอีก function หนึ่ง:

df.function1().function2().function3()...

Chaining ช่วยให้เราตอบโจทย์ที่ซับซ้อนขึ้นได้ เช่น:

สำหรับเฟอร์นิเจอร์ที่ Francis Cayouette ออกแบบ ประเภทไหนจัดว่าเป็น “Premium” (ราคาสูงกว่า 1,000) และ “Affordable” (ราคาน้อยกว่า 1,000)

เราสามารถใช้ polars เพื่อตอบโจทย์ได้แบบนี้:

df_lz.filter(
    pl.col("designer") == "Francis Cayouette"
).group_by(
    "category"
).agg(
    pl.col("price").mean().round().alias("avg_price")
).with_columns(
    pl.when(pl.col("avg_price") > 1000)
    .then(pl.lit("Premium"))
    .otherwise(pl.lit("Affordable"))
    .alias("price_label")
).sort(
    "avg_price",
    descending=True
).select(
    [
        "category",
        "price_label",
        "avg_price"
    ]
).collect()

ผลลัพธ์:

⭐️ Summary

ในบทความนี้ เราได้เห็นวิธีการใช้ polars เพื่อทำงานกับข้อมูลในรูปแบบตาราง ซึ่งสามารถสรุปเป็นการเขียน code 9 กลุ่มได้ดังนี้:

Section 1. Import package & dataset:

• import polars as pl
• pl.read_csv()

Section 2. Explore:

• df.shape
• df.schema
• df.head()
• df.glimpse()
• df.describe()

Section 3. Select:

• df[rows, cols]
• pl.slice()
• pl.select()

Section 4. Filter:

• df.filter()
• pl.col()
• &, |, ~

Section 5. Sort:

• df.sort()

Section 6. Aggregate:

• df.select()
• df.group_by().agg()
• alias()

Section 7. Mutate:

• df.with_columns()
• pl.when().then().otherwise()
• df.drop()

Section 8. Lazy:

• df.lazy()
• collect()

Section 9. Chaining:

• df.function1().function2().function()...

⏭️ Next Step: DIY

ใครที่อยากฝึกใช้ polars สามารถดูตัวอย่าง code และ dataset ได้ที่ GitHub

📃 References

• Polars user guide
• Python Polars Tutorial: A Complete Guide for Beginners
• An Introduction to Polars: Python’s Tool for Large-Scale Data Analysis
• Polars vs. Pandas — An Independent Speed Comparison
• Introduction to Polars

🔔 ใครที่ชอบบทความนี้ ฝากกด subscribe และติดตามกันได้ที่:

• Website: shinoshigoto.com
• Facebook: Svaron Solution
• Instagram: @svaronsolution
• Thread: @svaronsolution