polars.LazyFrame.show_graph#

LazyFrame.show_graph(
*,
optimized: bool = True,
show: bool = True,
output_path: str | Path | None = None,
raw_output: bool = False,
figsize: tuple[float, float] = (16.0, 12.0),
type_coercion: bool = True,
_type_check: bool = True,
predicate_pushdown: bool = True,
projection_pushdown: bool = True,
simplify_expression: bool = True,
slice_pushdown: bool = True,
comm_subplan_elim: bool = True,
comm_subexpr_elim: bool = True,
cluster_with_columns: bool = True,
collapse_joins: bool = True,
streaming: bool = False,
_check_order: bool = True,
) → str | None[source]#

显示查询计划的图表。

请注意，必须安装Graphviz才能渲染可视化效果（如果尚未安装，您可以在此处下载：https://graphviz.org/download）。

Parameters:
optimized

优化查询计划。

show

显示图表。

output_path

将图形写入磁盘。

raw_output

返回点语法。这不能与show和/或output_path结合使用。

figsize

如果show == True，则传递给matplotlib。

type_coercion

进行类型强制优化。

predicate_pushdown

执行谓词下推优化。

projection_pushdown

执行投影下推优化。

simplify_expression

运行简化表达式优化。

slice_pushdown

切片下推优化。

comm_subplan_elim

将尝试缓存出现在自连接或联合上的分支子计划。

comm_subexpr_elim

常见的子表达式将被缓存并重复使用。

cluster_with_columns

将顺序独立的调用合并到with_columns。

collapse_joins

将连接和过滤器合并为一个更快的连接。

streaming

以流式方式运行查询的部分内容（此功能处于alpha状态）。

示例

>>> lf = pl.LazyFrame(
...     {
...         "a": ["a", "b", "a", "b", "b", "c"],
...         "b": [1, 2, 3, 4, 5, 6],
...         "c": [6, 5, 4, 3, 2, 1],
...     }
... )
>>> lf.group_by("a", maintain_order=True).agg(pl.all().sum()).sort(
...     "a"
... ).show_graph()
On this page