Formation Polars

Description

Cette formation Polars vous permettra de manipuler des données massives en Python avec une performance moderne, idiomatique et scalable.

Pendant 3 jours, vous apprendrez à :

• Corriger vos réflexes Pandas et écrire du code Polars idiomatique
• Manipuler efficacement les DataFrames avec l’API expressions
• Comprendre et exploiter la Lazy Execution
• Identifier et supprimer les gaspillages de performance
• Produire des fichiers Parquet optimisés et partitionnés
• Mesurer objectivement les gains CPU et mémoire

Public

Cette formation s’adresse aux développeur·se·s et data professionals déjà à l’aise avec Python souhaitant améliorer radicalement la performance et la robustesse de leurs traitements.

Les objectifs

• Écrire des transformations idiomatiques avec l’API expression-first
• Construire et analyser un plan d’exécution LazyFrame
• Optimiser un pipeline via predicate et projection pushdown
• Migrer un traitement Pandas vers Polars proprement
• Produire des fichiers Parquet partitionnés adaptés à un cas métier
• Mesurer et interpréter les gains de performance (temps et mémoire)

Pré-requis

• Maîtriser les bases de Python
• Avoir déjà manipulé Pandas en contexte professionnel
• Comprendre les notions de DataFrame, jointures et agrégations
• Ordinateur portable à apporter

Le programme de la formation Polars

Jour 1 — Migration de Pandas vers Polars : API Expression-First et bonnes pratiques

• Comprendre la philosophie Polars
  • Architecture columnar
  • Parallélisme natif
  • Absence d’index (et pourquoi c’est une bonne chose)
  • Différences structurantes avec Pandas
• Pièges classiques des anciens utilisateurs Pandas
  • Pas d’index implicite
  • .loc / .iloc inutiles
  • Pas de inplace=True
  • groupby vs group_by
  • Mutations vs expressions
  • Différence entre df["col"] et .select(pl.col("col"))
  • Pourquoi l’API expression-first change tout
• Manipulation idiomatique des DataFrames
  • Création de DataFrame
  • .select() et .with_columns()
  • Expressions pl.col(), pl.when().then().otherwise()
  • Casting et gestion des types
  • Jointures et agrégations

Mises en pratique :

• Mini-exercices de correction de réflexes Pandas → Polars
• Nettoyage, normalisation, structuration et production d'un dataframe exploitable

Jour 2 — Lazy Execution Polars : Optimisation des performances et analyse des plans d’exécution

• DataFrame vs LazyFrame
  • Construction d’un plan logique
  • .lazy()
  • .collect()
  • Analyse avec .explain()
• Quand rester en eager ?
  • Cas simples
  • Dataset petits
  • Coût mental inutile du lazy
• Quand collect() trop tôt tue la performance
  • Démonstrations avant/après
  • Visualisation du plan d’exécution
  • Impact mesuré
• Optimisation concrète
  • Predicate pushdown
  • Projection pushdown
  • Réorganisation des opérations
  • Streaming
• Configuration Polars utile en pratique
  • pl.Config.set_tbl_rows()
  • set_fmt_str_lengths()
  • set_streaming_chunk_size()
  • Paramètres d’affichage

Mises en pratique :

• Identification et correction de gaspillages dans un plan d’exécution
• Réalisation d'une comparaison entre Pandas, Polars eager et Polars lazy optimisé

Jour 3 — Polars en production : Parquet, PyArrow, DuckDB et Lakehouse

• Migration rapide depuis Pandas
  • Tableau de correspondance et cas fréquents
  • Bonnes pratiques idiomatiques
• Polars + Parquet + PyArrow en production
  • Quand utiliser use_pyarrow=True?
  • row_group_size
  • Compression (zstd, snappy…)
  • Impact réel sur performance et stockage
  • partition_by réaliste
• Polars dans l’écosystème Data 2026
  • Polars + DuckDB (qui fait quoi ?)
  • Polars + ibis
  • Intégration Snowflake / BigQuery / Databricks
  • Où Polars excelle, où il ne faut pas l’utiliser

Mises en pratique :

• Exercice de traduction d’un code piégeux de Pandas vers Polars
• Écriture d’un fichier Parquet partitionné adapté à un cas métier réaliste
• Lecture et exploitation efficace de données partitionnées
• Mise en place d’une écriture compatible lakehouse (writedelta ou writeparquet avec partitionnement avancé)
• Réalisation d’un benchmark comparatif structuré entre Pandas, Polars naïf et Polars optimisé
• Mesure et analyse des performances (temps d’exécution) et de la consommation mémoire
• Calcul des gains en pourcentage et identification des optimisations réellement efficaces
• Rédaction d’un mini-rapport de synthèse réutilisable en contexte professionnel

Télécharger le programme

FAQ

8 raisons de participer à une formation Human Coders

• Satisfaction client élevée : Un taux de statisfaction de 4,6/5 depuis 2012 (sur 1805 sessions réalisées). 99% des participants se disent satisfaits de nos formations
• Approche pédagogique unique : Des formations en petit groupe, des formateurs passionnés et expérimentés, de véritables workshops... (Plus d'infos sur notre manifeste)
• Catalogue de formations complet : 216 formations au catalogue, de quoi vous accompagner sur tout vos projets
• Écosystème dynamique : Nous accompagnons les dev depuis 14 ans avec des initiatives comme Human Coders News, les Human Talks, le podcast ou encore notre serveur Discord
• Financement facilité : Organisme certifié Qualiopi, indispensable pour que vous puissiez obtenir des aides au financement via votre OPCO
• Références clients prestigieuses : De nombreux clients qui nous font confiance depuis des années
• Accompagnement sur mesure : Nous vous proposons un accompagnement personnalisé par nos consultants pour vous aider dans vos projets au-delà de la formation
• Valorisation professionnelle : Remise d'un diplôme, d'une attestation et d'une certification, suivant les formations effectuées, que vous pourrez afficher sur vos CV et réseaux sociaux