Rust: duckdb和polars读csv文件比较

duckdb在数据分析上，有非常多不错的特质。1、快；2、客户体验好，特别是可以同时批量读csv（在一个目录下的csv等文件）。polars的性能比pandas有非常多的超越。但背后的一些基于arrow的技术栈有很多相同之类。今天想比较一下两者在csv数据读写的情况。

一、文件准备
csv样本内容，是N行9列的csv标准格式，有字符串，有浮点数，有整型。具体如下：
本次准备了两个csv文件，一个大约是2.1万行、9列；一个是64万行、9列；模式完全一样。更大的类似百万行或千万行的数据目前暂不比较。这种数据量级较少。

二、toml文件

[package]
name = "my_duckdb"
version = "0.1.0"
edition = "2021"

# See more keys and their definitions at https://doc.rust-lang.org/cargo/reference/manifest.html

[dependencies]
duckdb = { version = "0.10.2", features = ["bundled"] }
polars = { version = "0.26.1", features = ["lazy"] } # 注意这个version号！

polars的设置也可以是：

polars = { version = "*", features = ["lazy"] } 

三、main.rs
在polars中，有两种模式，即lazy(延迟)和eager(即时)。通常的话，lazy模式效率更高，更为推荐！特别是进行特定数据过滤filter等操作时。

use duckdb::{
    arrow::{record_batch::RecordBatch, util::pretty::print_batches},
    Connection, Result,
};
use polars::prelude::*;

use std::time::Instant;
use std::fs::File;

fn main() {
    let time0 = Instant::now();
    // //test.csv:2w行；test2.csv:64w行
    let csvs = ["test.csv","test2.csv"]; 
    for csv in csvs{
        println!("-----------{:?}-------------",csv);
        duckdb_read_csv(csv).unwrap();
        polars_eager_read_csv(csv);
        polars_lazy_read_csv(csv);
        println!("-----------{:?}-------------",csv);
    }
    println!("duckdb和polars读文件共花:{:?}秒！",time0.elapsed().as_secs_f32()

}
fn duckdb_read_csv(filepath:&str) ->Result<()> {
    let duckdb_csv_time = Instant::now();
    let db = Connection::open_in_memory()?;
    let sql_format = format!("SELECT * from read_csv('{}');",filepath);
    let rbs: Vec<RecordBatch> = db
        .prepare(&sql_format)?
        .query_arrow([])?
        .collect();
    // 批量打印
    //print_batches(&rbs).unwrap();
    assert!(rbs.len()>0);
    println!("duckdb取出的行数：{:?} 列数:{:?}",rbs[0].num_rows(),rbs[0].num_columns());
    println!("duckdb 读csv花时： {:?} 秒！", duckdb_csv_time.elapsed().as_secs_f32());
    let _ = db.close();
    Ok(())
}
//eager 模式
fn polars_eager_read_csv(filepath:&str){
    let polars_eager_csv_time  = Instant::now();
    let df = CsvReader::from_path(filepath)
    .unwrap()
    .has_header(true)
    .finish()
    .unwrap();
    println!("polars eager 读出csv的行和列数：{:?}",df.shape());
    println!("polars eager 读csv 花时： {:?} 秒！", polars_eager_csv_time.elapsed().as_secs_f32());
}
// lazy 模式
fn polars_lazy_read_csv(filepath:&str){
    let polars_lazy_csv_time  = Instant::now();
    let p = LazyCsvReader::new(filepath)
    .has_header(true)
    .finish().unwrap();
    let mut df = p.collect().expect("error to dataframe!");
    println!("polars lazy 读出csv的行和列数：{:?}",df.shape());
    println!("polars lazy 读csv 花时： {:?} 秒！", polars_lazy_csv_time.elapsed().as_secs_f32());
    polars_write_csv(&mut df,&format!("polars_{}",filepath))
}

fn polars_write_csv(df: &mut DataFrame,pathfile:&str){
    let polars_write_csv_time =Instant::now();
    let mut file = File::create(pathfile).expect("could not create file");
    CsvWriter::new(&mut file)
        .has_header(true)
        .with_delimiter(b' ')
        .finish(df).expect("error!");
    println!("polars write csv 花时： {:?} 秒！", polars_write_csv_time.elapsed().as_secs_f32());
}

四、输出

-----------"test.csv"-------------
duckdb取出的行数：2048 列数:9
duckdb 读csv花时： 0.03224426 秒！
polars eager 读出csv的行和列数：(21357, 9)
polars eager 读csv 花时： 0.007638709 秒！
polars lazy 读出csv的行和列数：(21357, 9)
polars lazy 读csv 花时： 0.002562615 秒！
polars write csv 花时： 0.004541633 秒！
-----------"test.csv"-------------
-----------"test2.csv"-------------
duckdb取出的行数：2048 列数:9
duckdb 读csv花时： 0.14970613 秒！
polars eager 读出csv的行和列数：(640710, 9)
polars eager 读csv 花时： 0.026194088 秒！
polars lazy 读出csv的行和列数：(640710, 9)
polars lazy 读csv 花时： 0.020053046 秒！
polars write csv 花时： 0.06960724 秒！
-----------"test2.csv"-------------
duckdb和polars读文件共花:0.31616783秒！

结论：

1、从上面的样本来看，分别用duckdb和polars来读csv两个不同大小的文件，polars有优势。
当然，也可能是duckdb库封装的问题，也可能是文件大小不同，测试代表性还不全。谨供参考！
2、lazy模式较eager模式更有优势。
此外，polars的csv写的效率也不错。

五、问题
从输出可以明显看出，duckdb库读出来的num_rows是有问题的。这个问题还待查实。从print_batches(&rbs).unwrap()，打印出来的内容来看，并没有少。