Tratopedia
側 NBM
設定

文字大小

語言

EN繁中BMES

佈景

高對比

中文排版

豎排會把內文排成由右至左的直行，如同台灣的實體書籍。

版本

v1.177.0

本頁建置時的版本編號，也是 service worker 快取所依據的版本。

事實

資料框函式庫 · Python · 效能工程 · 效能評測 · 比較簡報資料截至2026年9月23日

Python兩大資料框函式庫，2026年9月的現況

Polars 與 pandas：各自適合什麼工作

pandas自2009年開源，至今仍是Python下載量最大的表格函式庫。Polars於2020年6月首次提交程式碼，以Rust撰寫、採用Apache Arrow記憶體格式，目標就是更快。兩者在2026年都有重大改變：pandas 3.0預設啟用專用字串型別與寫入時複製（Copy-on-Write）；Polars 2.0目前是第二個候選版，把串流引擎設為預設，並因此不再保證列的順序。在大型分析工作上，速度差距真實而且很大；欠缺的是兩者現行版本的公開量測。

  • 3.0.6pandas現行版本，2026年9月17日發布；3.0系列始於1月21日
  • 1.44.2Polars現行版本，2026年9月9日發布；2.0目前是第二個候選版
  • 94×在Polars 2025年6月自己的基準測試中，約10GB規模下領先pandas 2.2.3的倍數
  • 10×pandas上個月在PyPI的下載量領先倍數：5.255億對5,160萬

依證據強度分級 依證據強度排序。實測結果、公司的自我陳述，以及僅止於承諾的事項，絕不放在同一列。

證據強度記錄的內容出處
已確認現行版本：pandas 3.0.6（2026年9月17日）與Polars 1.44.2（2026年9月9日）。Polars 2.0.0rc1於9月2日推出，rc2於9月20日推出。pandas需要Python 3.11以上，Polars需要3.10以上Python套件索引（PyPI）
已確認pandas 3.0預設啟用專用字串型別（安裝PyArrow時以其為後端）；把寫入時複製設為預設，因此鏈式賦值不再有效，SettingWithCopyWarning也被移除；新增初步的pd.col()表達式；解析日期字串時預設精度改為微秒pandas的版本說明
已確認Polars 2.0預設以串流引擎執行所有延遲查詢。除非以maintain_order指定，該引擎在join、group by與unpivot時不保證列的順序。它也會拒絕過去放行的有損型別轉換與長度不符的合併Polars的2.0公告
已確認Polars沒有列索引，以Apache Arrow欄式格式而非NumPy陣列儲存資料，更多運算以平行方式執行，並能在執行前規劃與最佳化延遲查詢Polars給pandas使用者的指南
實測在規模因子10（約10GB的CSV）下，Polars串流引擎跑完整套查詢用了3.89秒，pandas 2.2.3用了365.71秒。在約100GB規模下，pandas沒有參與：它會記憶體不足而失敗Polars自己的PDS-H基準測試，2025年6月
實測在大型資料框上，Polars於合成任務的耗能約為pandas的八分之一，於TPC-H任務約為63%；在小型資料框上，TPC-H任務沒有顯著差異。受測版本：pandas 2.1.1、Polars 0.19.7Nahrstedt等人，EASE 2024，經同儕審查
公司宣稱，此處無法查證自2023年種子輪後，使用者「從每月25萬成長到超過2,300萬」，核心函式庫已用於金融、生命科學與物流業的正式環境Polars；TechCrunch轉述Polars
公司宣稱，此處無法查證「整體而言，我們預期串流引擎會輕鬆快上5倍」：這是2.0公告中的預測，不是量測結果Polars的2.0公告
承諾中，尚未推出「串流引擎的完整out-of-core支援」，也就是能可靠處理大於記憶體的資料，以及基於成本的查詢規劃器與join重新排序。這些都列為仍在開發中Polars的2.0公告
承諾中，尚未推出Polars 2.0正式版，預定9月2日後「數週內」推出；截至9月23日尚未發布Polars的2.0公告；PyPI

時序

2008年至2026年9月 以下每一項速度與耗能量測都早於pandas 3.0，沒有一項比較的是兩者的現行版本。

  1. 2008年pandas在AQR Capital Management開始開發，由Wes McKinney主導
  2. 2009年pandas於年底前開源；0.1版於12月25日上架PyPI
  3. 2015年pandas成為NumFOCUS贊助的專案
  4. 2017年9月21日McKinney寫道，他對pandas的經驗法則是準備資料集大小5到10倍的記憶體
  5. 2020年6月23日Ritchie Vink提交Polars的第一個commit
  6. 2023年8月3日Vink與Chiel Peters宣布成立Polars公司，獲得由Bain Capital Ventures領投、約400萬美元的種子輪；函式庫維持MIT授權
  7. 2024年1月18日scikit-learn 1.4讓其轉換器可以輸出Polars資料框
  8. 2024年6月18日阿姆斯特丹自由大學團隊在EASE 2024發表pandas 2.1.1與Polars 0.19.7的耗能與效能研究
  9. 2024年7月1日Polars 1.0.0
  10. 2024年9月17日Polars與NVIDIA以RAPIDS cuDF打造的GPU引擎開放測試
  11. 2025年6月1日Polars發布PDS-H結果，比較Polars 1.30.0與pandas 2.2.3、DuckDB、Dask和PySpark
  12. 2025年9月29日Polars完成由Accel領投的1,800萬歐元A輪（約2,100萬美元），Bain Capital再度參與
  13. 2026年1月21日pandas 3.0.0：預設啟用字串型別與寫入時複製，初步的pd.col()表達式，最低需求Python 3.11
  14. 2026年9月2日Polars 2.0.0rc1推出，延遲查詢預設使用串流引擎
  15. 2026年9月9日Polars 1.44.2，現行穩定版
  16. 2026年9月17日pandas 3.0.6，現行穩定版
  17. 2026年9月20日Polars 2.0.0rc2推出，2.0正式版尚未發布

論點

大型工作快得多，但量測的是已經更新的舊版本 先看Polars開發者自己量測的論據，再看兩個限定它的因素。

Polars的論據在於架構，而它自己的基準測試替這個論據給出了數字。pandas每寫一步就立刻執行、只用一顆核心、沒有最佳化器；Polars可以拿到整個查詢，在執行前先加以最佳化，再分散到所有核心執行。在Polars 2025年6月、以96核心機器進行的PDS-H測試中，約10GB規模下兩者的差距是365.71秒對3.89秒。Polars表示，約100GB規模時pandas因記憶體不足而失敗，所以沒有列入。同一份測試也有兩點值得讀者記住：第三個引擎DuckDB在10GB時緊追Polars，在100GB時則領先；而Polars較舊的記憶體內引擎在該規模下明顯變慢，這正是2.0把串流設為預設的原因。

  • 3.89 sPolars串流引擎，約10GB，整套查詢
  • 365.71 spandas 2.2.3，相同查詢、相同機器
引擎（Polars 2025年6月PDS-H測試）約10GB，秒約100GB，秒
Polars 1.30.0, streaming3.8923.94
DuckDB 1.3.05.8719.65
Polars 1.30.0, in-memory9.68152.27
Dask 2025.5.146.02548.52
PySpark 4.0.0120.11312.43
pandas 2.2.3365.71未執行：記憶體不足

有兩點限定了這個結論。第一是規模。唯一經同儕審查的比較，是阿姆斯特丹自由大學團隊在EASE 2024發表的研究：他們以600萬列執行同類的TPC-H任務，耗能沒有顯著差異，作者還指出pandas略占優勢；到了6,000萬列，以及在他們自己的合成任務上，Polars明顯領先。第二是時效，這是本文的推論，不是任何來源的說法：此處任何量測中最新的pandas是2024年9月的2.2.3；該研究用的是pandas 2.1.1與Polars 0.19.7。pandas 3.0以Arrow為後端的字串與寫入時複製都在這些量測之後，Polars之後也又發了十四個次版本（1.31至1.44）。大型工作上差距很可能仍然很大；但就現行版本而言差多少，此處沒有人量測過。

  • 6M列：同儕審查研究中TPC-H任務沒有顯著差異
  • 2.2.3此處量測過的最新pandas版本；現行版本是3.0.6

與此同時，兩者互相靠攏，代價也隨之移動，這一點同樣是本文的推論。pandas 3.0採用了以Arrow為後端的字串、寫入時複製語意，以及初步的表達式語法，這些都是Polars一開始就圍繞的設計。Polars 2.0則在一項pandas使用者視為理所當然的保證上反其道而行：新預設下，join或group by不再承諾保留列的原始順序。Polars表示這個改變是串流速度所必需，並請依賴順序的使用者以maintain_order明確要求。從一個函式庫移到另一個的程式碼，或在Polars內部升級的程式碼，可能在不報錯的情況下改變輸出。

補充

記憶體、耗能、GPU，以及兩者並用 來自函式庫的創造者、研究作者、NVIDIA，以及兩者周邊的專案。

  • 記憶體

    一條經驗法則，與一份路線圖

    Wes McKinney · Polars

    • pandas的創造者在2017年寫道，他的經驗法則是準備資料集5到10倍的記憶體：10GB的資料集需要64到128GB
    • 這條法則比pandas 3.0早了八年多；此處沒有在原始來源找到Polars的可比數字
    • Polars把「完整的out-of-core支援」（可靠處理超出記憶體的資料）列為2.x仍待完成的工作

  • 耗能

    一項受控研究

    EASE 2024 · 作者於Polars部落格的說明

    • 28項任務，每項以隨機順序重複10次，共560次，於隔離的伺服器上執行
    • 大型資料框：Polars在合成任務的耗能約為pandas的八分之一，在TPC-H任務為63%
    • 耗能與執行時間高度相關，作者認為這要歸功於Polars善用所有CPU核心

  • GPU

    最高13倍，指的是最佳情況

    Polars · NVIDIA

    • 以NVIDIA cuDF為基礎的選用引擎，以collect(engine="gpu")啟用；無法執行的查詢會退回CPU
    • 「最高13倍」是NVIDIA圖表中四個最佳加速之首，出自規模因子80、H100上的22項PDS-H查詢
    • 2024年9月以公開測試版發布；此處未確認它目前的狀態

  • 並用

    不必二選一

    scikit-learn · Narwhals

    • 自2024年1月的1.4版起，scikit-learn的轉換器可用set_output(transform="polars")回傳Polars資料框
    • Narwhals是零相依的相容層，讓以Polars API子集撰寫的函式庫能接受pandas、Polars、cuDF、Modin或PyArrow
    • 它也對Dask、DuckDB、Ibis、PySpark與SQLFrame提供僅限延遲模式的支援

  • 採用

    相差一個數量級

    PyPI Stats · Polars

    • 上個月下載量：pandas 525,518,404次，Polars 51,587,659次，比例為10.2
    • 下載量計算的是安裝次數（包括所有自動化建置），不是人數
    • 2023年8月Polars公布累計下載超過600萬次；到2025年9月，它公布每月使用者超過2,300萬

標題基準測試有多少分量，取決於是誰做的，所以它的條件很重要。PDS-H是Polars自己從TPC-H衍生的測試，Polars也聲明其結果不能與已發表的TPC-H結果比較。它的規則禁止在join前手動裁減資料表、禁止手動調整join順序，並要求每個方案以單一引擎跑完所有查詢：「不准挑選」。該文也點出Polars落敗之處：100GB時的DuckDB，以及第21號查詢（串流引擎尚未實作的範圍join）。在沒有廠商參與下撰寫的EASE論文則指出，在它之前的基準測試都不是系統性或經同儕審查的；在大型資料上，它的結果與Polars的方向一致。

結論

哪一個適合哪種工作 兩個免費、而且越來越能互相搭配的函式庫。問題在於讀者的工作負載，而不是哪一個贏。

  • pandas

    適合既有程式碼與逐步處理的工作

    • 適合：已經以它撰寫的程式碼、以索引標記列或就地修改表格的工作，以及小到受控研究在TPC-H任務上找不到顯著差異的資料集
    • 強項：普及度。下載量是Polars的十倍，而且自2009年起開源至今
    • 3.0以來的強項：不必離開大家熟悉的API，就能得到更可預測的複製行為與更快的字串
    • 代價：即時執行、大多單執行緒，而且依它創造者的經驗法則，在大型資料上相當耗記憶體

  • Polars

    適合大型分析管線

    • 適合：數千萬列或數GB規模的join、group by與掃描，以完整查詢撰寫的管線，以及多核心的機器
    • 強項：大型工作的速度與耗能。在它自己的基準測試中，約10GB時領先pandas 2.2.3兩個數量級；在獨立研究中，大型資料上也省電得多
    • 另一強項：嚴格。遇到有損轉換與長度不符時會報錯，而不是默默產生不同的結果
    • 代價：沒有索引，需要改以表達式思考；在2.0下，join與group by的列順序必須明確要求；超出記憶體的處理仍在完成中

已經確立的

現行版本是pandas 3.0.6與Polars 1.44.2，Polars 2.0處於第二個候選版。pandas 3.0把以Arrow為後端的字串與寫入時複製設為預設；Polars 2.0把串流設為預設，並取消join與group by的列順序保證。在大型分析工作上，無論是Polars自己的基準測試還是同儕審查研究，舊版Polars都比舊版pandas快得多；在該研究的小型TPC-H任務上，差異並不顯著。兩者也可以透過scikit-learn與Narwhals搭配使用。

應保留看待的

任何單一的加速數字：94倍是廠商在單一規模、對pandas 2.2.3的一次測試，13倍是22項查詢中最好的一項GPU結果。串流快5倍與可靠處理超出記憶體的資料都只是預測；使用者與正式環境的說法出自公司本身；5到10倍記憶體是2017年的經驗法則。而「現行版本之間差距仍然很大」是本文的推論：目前還沒有公開量測比較pandas 3.0與Polars。

來源：pandas開發團隊，〈What's new in 3.0.0〉，pandas文件（2026年1月21日）；pandas專案，〈About pandas〉，pandas.pydata.org（2026年9月23日讀取）；Python套件索引，pandas與polars的版本紀錄（2026年9月23日讀取）；PyPI Stats，pandas與polars的下載統計（2026年9月23日讀取）；Wes McKinney，〈Apache Arrow and the ‘10 Things I Hate About pandas’〉，wesmckinney.com（2017年9月21日）；Ritchie Vink、Chiel Peters，〈Company announcement〉，Polars（2023年8月3日）；Ritchie Vink，〈Polars raises €18M Series A to build fast, ergonomic data processing at any scale〉，Polars（2025年9月29日）；Anna Heim，〈The startup behind open source tool Polars raises $21M from Accel〉，TechCrunch（2025年9月29日）；Ritchie Vink，〈Updated PDS-H benchmark results〉，Polars（2025年6月1日）；Ritchie Vink，〈Pre-release of Polars 2.0〉，Polars（2026年9月2日）；Ritchie Vink、Robin van den Brink、Lawrence Mitchell，〈GPU acceleration with Polars and NVIDIA RAPIDS〉，Polars（2024年9月17日）；Jamil Semaan，〈Polars GPU Engine Powered by NVIDIA cuDF Now Available in Open Beta〉，NVIDIA Technical Blog（2024年9月17日）；Felix Nahrstedt、Mehdi Karmouche、Karolina Bargieł、Pouyeh Banijamali、Apoorva Nalini Pradeep Kumar、Ivano Malavolta，〈An Empirical Study on the Energy Usage and Performance of Pandas and Polars Data Analysis Python Libraries〉，EASE 2024, ACM（2024年6月18日）；Ivano Malavolta、Karolina Bargieł，〈Benchmarking energy usage and performance of Polars and pandas〉，Polars（2024年8月22日）；Polars專案，〈Coming from Pandas〉，Polars使用指南（2026年9月23日讀取）；scikit-learn開發者，〈Release Highlights for scikit-learn 1.4〉，scikit-learn.org（2024年1月）；Narwhals開發者，〈Narwhals〉，Narwhals文件（2026年9月23日讀取）。

版本

本文內容需要更動時即改寫為新版本，每個版本都保留在自己的網址。

  1. v0001 目前

目前版本也位於 latest/。