كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةموسوعة أطر ومكتبات الذكاء الاصطناعيمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

Polars

Polars DataFrame library

مكتبة جداول بيانات سريعة مكتوبة بلغة Rust، متعددة الخيوط، مع تنفيذ كسول (Lazy) وتحسين للاستعلامات.

نشطةمتوسطv2.1.0MITمكتبات البرمجة العلمية ومعالجة البيانات

الوثائق الرسميةجرّب الأمثلة

المعلومات الأساسية

الاسمPolars
الاسم الكاملPolars DataFrame library
التصنيفمكتبات البرمجة العلمية ومعالجة البيانات
الجهة المطورةRitchie Vink ومجتمع Polars
سنة الإطلاقغير محدد
الموقع الرسميwww.pola.rs
مستودع GitHubpola-rs/polars
الوثائق الرسميةdocs.pola.rs/api/python/stable/reference/index.html
الحزمة على PyPIpolars
الترخيصMIT (PyPI classifier)
حالة المشروعنشطة صدر لها إصدار خلال آخر 12 شهراً
آخر إصدار25 أكتوبر 2026 (الإصدار 2.1.0)
لغة البرمجةRust، Python
أنظمة التشغيلOS Independent (كما تعلنها الحزمة على PyPI)
إصدار Python المطلوب>=3.11
مستوى الصعوبةمتوسط

آخر تحقق من هذه البيانات: 21 نوفمبر 2026 — المصدر: PyPI JSON API (2026-11-21)

نظرة عامة

تعالج Polars الجداول بتنسيق Apache Arrow العمودي وتستخدم كل أنوية المعالج تلقائياً، وتقدم واجهة تعبيرات (Expressions) ونمط تنفيذ كسولاً يحسّن الاستعلام قبل تشغيله، ويستطيع المعالجة على دفعات للبيانات الأكبر من الذاكرة.

بديل عملي لـ pandas عندما يصبح الأداء عائقاً، مع اختلاف في الواجهة يتطلب تعلماً.

متى تختارها؟ اخترها لجداول كبيرة على جهاز واحد عندما يكون أداء pandas غير كافٍ.

الاستخدامات

الاستخدامات الرئيسية

  • معالجة جداول كبيرة بسرعة
  • استعلامات كسولة محسّنة
  • قراءة Parquet وCSV الكبيرة

المجالات العلمية

  • هندسة البيانات
  • علم البيانات

أنواع المشاريع المناسبة

  • تجهيز بيانات تدريب كبيرة
  • خطوط معالجة بيانات

تطبيقات بحثية

  • معالجة سجلات وبيانات ضخمة للتجارب

تحليل البيانات الجدوليةالبيانات الكبيرة والمعالجة المتوازية للجداول

الخصائص التقنية

تُعرض الخاصية «مدعومة» فقط إذا كانت موثقة في الوثائق الرسمية للمكتبة؛ وما لم نتحقق منه يظهر «غير محدد».

دعم المعالج المركزي (CPU)مدعوم
دعم المعالج الرسومي (GPU)جزئي أو عبر إضافةيوجد محرك GPU تجريبي/اختياري يعتمد على RAPIDS cuDF حسب توثيق Polars؛ تحقق من حالته في الوثائق الرسمية.
التوافق مع CUDAجزئي أو عبر إضافة
التدريب أو الحوسبة الموزعةغير مدعوم
الاشتقاق التلقائي (Autodiff)غير مدعوم
نشر النماذج (Deployment)لا ينطبق
نماذج مدربة مسبقاًلا ينطبق
أنواع البيانات المدعومةأنواع Apache Arrow: أرقام ونصوص وتواريخ وقوائم وهياكل
التكامل مع مكتبات أخرىpyarrow، Pandas، NumPy
المرونة (تقدير تحريري)عالية
الأداء (تقدير تحريري)عالية جداً على CPU
المجتمع (تقدير تحريري)ينمو بسرعة
جودة التوثيق (تقدير تحريري)دليل مستخدم ومرجع واجهات

التثبيت والتشغيل

Shell
pip install polars

التوافق: Python >=3.11 — حسب بيانات الحزمة على PyPI، تحقق في 21 نوفمبر 2026

يُفضّل التثبيت داخل بيئة افتراضية (venv أو conda). وإذا احتجت توافقاً مع إصدار معين من CUDA أو نظام التشغيل فارجع إلى الوثائق الرسمية، لأن هذه المعلومات تتغير مع كل إصدار.

أمثلة برمجية

الأمثلة الموسومة «نُفّذ واختُبر» شُغّلت فعلياً وسُجّل مخرجها وتاريخ الاختبار وإصدارات المكتبات؛ وغيرها يحتاج GPU أو تنزيل نماذج فلم يُشغّل في بيئة الاختبار.

متوسطاستعلام كسول (Lazy) في Polarsنُفّذ واختُبر

الهدف: بناء خطة استعلام يحسّنها Polars قبل التنفيذ.

Python — example.py
import polars as pl

df = pl.DataFrame({
    "city": ["بغداد", "البصرة", "بغداد", "الديوانية", "البصرة", "بغداد"],
    "sales": [120, 80, 150, 60, 95, 130],
})
q = (df.lazy()
       .filter(pl.col("sales") > 70)
       .group_by("city")
       .agg(pl.col("sales").sum().alias("total"), pl.len().alias("n"))
       .sort("total", descending=True))
print(q.collect())

شرح الكود

مع lazy() لا يُنفَّذ شيء حتى collect()، فيدمج Polars التصفية والتجميع ويقرأ الأعمدة المطلوبة فقط. هذا ما يجعله أسرع من pandas على الجداول الكبيرة.

المتطلبات

Shell
pip install polars

طريقة التشغيل

احفظ الكود في ملف example.py ثم شغّله:

Shell
python example.py

المخرجات المسجلة عند الاختبار

shape: (2, 3)
┌────────┬───────┬─────┐
│ city   ┆ total ┆ n   │
│ ---    ┆ ---   ┆ --- │
│ str    ┆ i64   ┆ u32 │
╞════════╪═══════╪═════╡
│ بغداد  ┆ 400   ┆ 3   │
│ البصرة ┆ 175   ┆ 2   │
└────────┴───────┴─────┘

نُفّذ هذا المثال فعلياً واختُبر بتاريخ 21 نوفمبر 2026 على CPU — polars 2.1.0, python 3.13.18

صفحة المثال

كل أمثلة Polars في مستكشف الأكواد

المزايا

  • أداء عالٍ واستخدام تلقائي لكل الأنوية
  • تنفيذ كسول وتحسين للاستعلامات

القيود

  • واجهة مختلفة عن pandas
  • بعض المكتبات تتوقع pandas فتحتاج تحويلاً

المراجع والتحقق

سجل الإصدارات المتحقق منها

الإصدارتاريخ الإصدارتاريخ التحقق
2.1.025 أكتوبر 202621 نوفمبر 2026

آخر مراجعة لمعلومات الصفحة: 21 نوفمبر 2026. الوصف العربي مكتوب أصلياً للموسوعة وليس منقولاً من المواقع الرسمية.

أبلغ عن معلومة تحتاج تحديثاً