# Использование с Polars

Этот документ представляет собой краткое введение к использованию `datasets` с Polars, с особым акцентом на то, как обрабатывать наборы данных с помощью функций Polars, а также как конвертировать набор данных в Polars или из Polars.

Это особенно полезно, так как позволяет выполнять быстрые операции без копирования данных, поскольку и `datasets`, и Polars используют Arrow в качестве базового формата.

## Формат набора данных

По умолчанию наборы данных возвращают обычные объекты Python: целые числа, числа с плавающей точкой, строки, списки и т. д.

To get Polars DataFrames or Series instead, you can set the format of the dataset to `polars` using [Dataset.with_format()](/docs/datasets/main/ru/package_reference/main_classes#datasets.Dataset.with_format):

```py
>>> from datasets import Dataset
>>> data = {"col_0": ["a", "b", "c", "d"], "col_1": [0., 0., 1., 1.]}
>>> ds = Dataset.from_dict(data)
>>> ds = ds.with_format("polars")
>>> ds[0]       # pl.DataFrame
shape: (1, 2)
┌───────┬───────┐
│ col_0 ┆ col_1 │
│ ---   ┆ ---   │
│ str   ┆ f64   │
╞═══════╪═══════╡
│ a     ┆ 0.0   │
└───────┴───────┘
>>> ds[:2]      # pl.DataFrame
shape: (2, 2)
┌───────┬───────┐
│ col_0 ┆ col_1 │
│ ---   ┆ ---   │
│ str   ┆ f64   │
╞═══════╪═══════╡
│ a     ┆ 0.0   │
│ b     ┆ 0.0   │
└───────┴───────┘
>>> ds["data"]  # pl.Series
shape: (4,)
Series: 'col_0' [str]
[
        "a"
        "b"
        "c"
        "d"
]
```

Это также работает для объектов `IterableDataset`, полученных, например, с помощью `load_dataset(..., streaming=True)`:

```py
>>> ds = ds.with_format("polars")
>>> for df in ds.iter(batch_size=2):
...     print(df)
...     break
shape: (2, 2)
┌───────┬───────┐
│ col_0 ┆ col_1 │
│ ---   ┆ ---   │
│ str   ┆ f64   │
╞═══════╪═══════╡
│ a     ┆ 0.0   │
│ b     ┆ 0.0   │
└───────┴───────┘
```

## Обработка данных

Функции Polars, как правило, работают быстрее обычных функций, написанных вручную на Python, и поэтому являются хорошим вариантом для оптимизации обработки данных. Вы можете использовать функции Polars для обработки набора данных в [Dataset.map()](/docs/datasets/main/ru/package_reference/main_classes#datasets.Dataset.map) или [Dataset.filter()](/docs/datasets/main/ru/package_reference/main_classes#datasets.Dataset.filter):

```python
>>> import polars as pl
>>> from datasets import Dataset
>>> data = {"col_0": ["a", "b", "c", "d"], "col_1": [0., 0., 1., 1.]}
>>> ds = Dataset.from_dict(data)
>>> ds = ds.with_format("polars")
>>> ds = ds.map(lambda df: df.with_columns(pl.col("col_1").add(1).alias("col_2")), batched=True)
>>> ds[:2]
shape: (2, 3)
┌───────┬───────┬───────┐
│ col_0 ┆ col_1 ┆ col_2 │
│ ---   ┆ ---   ┆ ---   │
│ str   ┆ f64   ┆ f64   │
╞═══════╪═══════╪═══════╡
│ a     ┆ 0.0   ┆ 1.0   │
│ b     ┆ 0.0   ┆ 1.0   │
└───────┴───────┴───────┘
>>> ds = ds.filter(lambda df: df["col_0"] == "b", batched=True)
>>> ds[0]
shape: (1, 3)
┌───────┬───────┬───────┐
│ col_0 ┆ col_1 ┆ col_2 │
│ ---   ┆ ---   ┆ ---   │
│ str   ┆ f64   ┆ f64   │
╞═══════╪═══════╪═══════╡
│ b     ┆ 0.0   ┆ 1.0   │
└───────┴───────┴───────┘
```

Мы используем `batched=True`, так как обработка данных пакетами в Polars быстрее, чем построчная. Также можно использовать `batch_size=` в `map()`, чтобы задать размер каждого `df`.

Это также работает для [IterableDataset.map()](/docs/datasets/main/ru/package_reference/main_classes#datasets.IterableDataset.map) и [IterableDataset.filter()](/docs/datasets/main/ru/package_reference/main_classes#datasets.IterableDataset.filter).

### Пример: извлечение данных

В Polars доступно множество функций для любых типов данных: строки, числа с плавающей точкой, целые числа и т. д. Полный список можно найти [здесь](https://docs.pola.rs/api/python/stable/reference/expressions/functions.html). Эти функции написаны на Rust и работают с батчами данных, что обеспечивает быструю обработку данных.

Вот пример, демонстрирующий ускорение в 5 раз при использовании Polars вместо обычной функции Python для извлечения решений из набора данных рассуждений LLM:

```python
from datasets import load_dataset

ds = load_dataset("ServiceNow-AI/R1-Distill-SFT", "v0", split="train")

# Using a regular python function
pattern = re.compile("boxed\\{(.*)\\}")
result_ds = ds.map(lambda x: {"value_solution": m.group(1) if (m:=pattern.search(x["solution"])) else None})
# Time: 10s

# Using a Polars function
expr = pl.col("solution").str.extract("boxed\\{(.*)\\}").alias("value_solution")
result_ds = ds.with_format("polars").map(lambda df: df.with_columns(expr), batched=True)
# Time: 2s
```

## Импорт или экспорт из Polars

Чтобы импортировать данные из Polars, можно использовать `Dataset.from_polars()`:

```python
ds = Dataset.from_polars(df)
```

А также можно использовать `Dataset.to_polars()` для экспорта Dataset в DataFrame Polars:

```python
df = Dataset.to_polars(ds)
```