polars.from_arrow

polars.from_arrow(
    data: pa.Table | pa.Array | pa.ChunkedArray | pa.RecordBatch | Iterable[pa.RecordBatch | pa.Table] | ArrowArrayExportable | ArrowStreamExportable,
    schema: SchemaDefinition | None = None,
    *,
    schema_overrides: SchemaDict | None = None,
    rechunk: bool = True,
) → DataFrame | Series

Создаёт DataFrame или Series из таблицы или массива Arrow.

В большинстве случаев эта операция не требует копирования данных. Типы, не поддерживаемые Polars, могут быть приведены к ближайшему поддерживаемому типу.

Подсказка: если тип результата известен, можно напрямую передать таблицы Arrow в pl.DataFrame() / массивы Arrow в pl.Series(), чтобы избежать проблем с типизацией.

Параметры:

datapyarrow.Table, pyarrow.Array, one or more pyarrow.RecordBatch

Данные в виде таблицы Arrow, массива, последовательности RecordBatch или таблиц либо другого объекта, поддерживающего интерфейс Arrow PyCapsule.

schemaSequence of str, (str,DataType) pairs, or a {str:DataType,} dict

Схему DataFrame можно задать несколькими способами:

• В виде словаря пар {имя:тип}; если тип равен None, он будет определён автоматически.
• В виде списка имён столбцов; в этом случае типы определяются автоматически.
• В виде списка пар (имя,тип); это эквивалентно словарю.

Элементы схемы применяются позиционно, в соответствии с порядком элементов словаря Python. Переданная схема имеет приоритет над схемой исходных данных Arrow. Поэтому, если имена в переданной схеме не совпадают с именами в исходных данных Arrow, имена столбцов Arrow будут заменены именами, заданными в этом аргументе. Количество имён в схеме должно соответствовать размерности исходных данных.

schema_overridesdict, default None

Позволяет задать или переопределить тип одного или нескольких столбцов; обратите внимание, что любые типы, определённые на основе параметра schema, будут переопределены.

rechunkbool, default True

Гарантирует, что все данные находятся в непрерывной области памяти.

Возвращает:

DataFrame или Series

Примеры

Создание DataFrame из таблицы Arrow:

>>> import pyarrow as pa
>>> data = pa.table({"a": [1, 2, 3], "b": [4, 5, 6]})
>>> pl.from_arrow(data)
shape: (3, 2)
┌─────┬─────┐
│ a   ┆ b   │
│ --- ┆ --- │
│ i64 ┆ i64 │
╞═════╪═════╡
│ 1   ┆ 4   │
│ 2   ┆ 5   │
│ 3   ┆ 6   │
└─────┴─────┘

Создание Series из массива Arrow:

>>> import pyarrow as pa
>>> data = pa.array([1, 2, 3])
>>> pl.from_arrow(data, schema={"s": pl.Int32})
shape: (3,)
Series: 's' [i32]
[
    1
    2
    3
]