polars.from_records

polars.from_records(
    data: Sequence[Any],
    schema: SchemaDefinition | None = None,
    *,
    schema_overrides: SchemaDict | None = None,
    strict: bool = True,
    orient: Orientation | None = None,
    infer_schema_length: int | None = 100,
) → DataFrame

Создаёт DataFrame из последовательности последовательностей. Эта операция копирует данные.

Обратите внимание: это медленнее, чем создание из колоночной памяти.

Параметры:

dataSequence of sequences

Двумерные данные, представленные в виде последовательности последовательностей.

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

Схему DataFrame можно объявить 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 форме словаря.

Если вы укажете список имён столбцов, который не совпадает с именами в исходных данных, указанные здесь имена заменят их. Количество имён в схеме должно соответствовать размерности исходных данных.

schema_overridesdict, default None

Поддерживает указание или переопределение типов одного или нескольких столбцов; обратите внимание, что типы данных, определённые на основе параметра columns, будут переопределены.

strictbool, default True

Вызывать ошибку, если какое-либо значение data не соответствует точно заданному или определённому типу данных для этого столбца. Если задано значение False, значения, не соответствующие типу данных, приводятся к этому типу данных или, если преобразование невозможно, заменяются на null.

orient{None, ‘col’, ‘row’}

Следует ли интерпретировать двумерные данные как столбцы или как строки. Если значение равно None, ориентация определяется по соответствию размерностей столбцов и данных. Если это не позволяет однозначно определить ориентацию, используются столбцы.

infer_schema_length

Максимальное количество строк для анализа при определении схемы. Если задано значение None, могут быть проанализированы все данные (это медленно).

Возвращает:

DataFrame

Примеры

>>> data = [[1, 2, 3], [4, 5, 6]]
>>> df = pl.from_records(data, schema=["a", "b"])
>>> df
shape: (3, 2)
┌─────┬─────┐
│ a   ┆ b   │
│ --- ┆ --- │
│ i64 ┆ i64 │
╞═════╪═════╡
│ 1   ┆ 4   │
│ 2   ┆ 5   │
│ 3   ┆ 6   │
└─────┴─────┘