Rust数据处理库sqruff-lib的使用，高性能数据转换与分析工具sqruff-lib助力Rust开发

安装

在项目目录中运行以下Cargo命令：

cargo add sqruff-lib

或者在Cargo.toml中添加以下行：

sqruff-lib = "0.29.2"

使用示例

以下是sqruff-lib的基本使用示例，展示如何进行数据转换和分析：

use sqruff_lib::prelude::*;
use sqruff_lib::dataframe::DataFrame;

fn main() {
    // 创建一个简单的DataFrame
    let mut df = DataFrame::new();
    
    // 添加列
    df.add_column("id", vec![1, 2, 3, 4, 5]).unwrap();
    df.add_column("name", vec!["Alice", "Bob", "Charlie", "David", "Eve"]).unwrap();
    df.add_column("score", vec![85.5, 92.0, 78.5, 88.0, 95.5]).unwrap();
    
    // 显示DataFrame
    println!("原始数据:");
    df.display();
    
    // 过滤数据
    println!("\n高分学生(分数>90):");
    let high_scores = df.filter(|row| row.get_f64("score").unwrap() > 90.0).unwrap();
    high_scores.display();
    
    // 聚合计算
    println!("\n平均分数:");
    let avg_score = df.aggregate("score", AggregateFunction::Mean).unwrap();
    println!("平均分: {:.2}", avg_score);
    
    // 排序
    println!("\n按分数降序排列:");
    let sorted = df.sort_by("score", false).unwrap();
    sorted.display();
    
    // 转换为CSV
    println!("\nCSV格式:");
    let csv = df.to_csv().unwrap();
    println!("{}", csv);
}

示例输出

原始数据:
+----+---------+-------+
| id | name    | score |
+----+---------+-------+
| 1  | Alice   | 85.5  |
| 2  | Bob     | 92.0  |
| 3  | Charlie | 78.5  |
| 4  | David   | 88.0  |
| 5  | Eve     | 95.5  |
+----+---------+-------+

高分学生(分数>90):
+----+------+-------+
| id | name | score |
+----+------+-------+
| 2  | Bob  | 92.0  |
| 5  | Eve  | 95.5  |
+----+------+-------+

平均分数:
平均分: 87.90

按分数降序排列:
+----+---------+-------+
| id | name    | score |
+----+---------+-------+
| 5  | Eve     | 95.5  |
| 2  | Bob     | 92.0  |
| 4  | David   | 88.0  |
| 1  | Alice   | 85.5  |
| 3  | Charlie | 78.5  |
+----+---------+-------+

CSV格式:
id,name,score
1,Alice,85.5
2,Bob,92.0
3,Charlie,78.5
4,David,88.0
5,Eve,95.5

完整示例demo

以下是一个更完整的示例，展示sqruff-lib的高级功能：

use sqruff_lib::prelude::*;
use sqruff_lib::dataframe::DataFrame;
use sqruff_lib::join::JoinType;

fn main() {
    // 创建第一个DataFrame
    let mut df1 = DataFrame::new();
    df1.add_column("id", vec![1, 2, 3, 4, 5]).unwrap();
    df1.add_column("name", vec!["Alice", "Bob", "Charlie", "David", "Eve"]).unwrap();
    df1.add_column("department", vec!["HR", "Engineering", "Marketing", "Engineering", "HR"]).unwrap();
    
    // 创建第二个DataFrame
    let mut df2 = DataFrame::new();
    df2.add_column("id", vec![1, 2, 3, 4, 5]).unwrap();
    df2.add_column("salary", vec![70000, 85000, 65000, 90000, 75000]).unwrap();
    df2.add_column("bonus", vec![5000, 10000, 4500, 12000, 6000]).unwrap();
    
    // 显示两个DataFrame
    println!("员工信息:");
    df1.display();
    println!("\n薪资信息:");
    df2.display();
    
    // 内连接
    println!("\n内连接结果:");
    let joined = df1.join(&df2, "id", "id", JoinType::Inner).unwrap();
    joined.display();
    
    // 分组聚合 - 按部门计算平均薪资
    println!("\n各部门平均薪资:");
    let grouped = joined.group_by("department").unwrap();
    let avg_salary = grouped.aggregate("salary", AggregateFunction::Mean).unwrap();
    println!("{:#?}", avg_salary);
    
    // 数据透视表 - 各部门薪资统计
    println!("\n各部门薪资统计:");
    let pivot = joined.pivot("department", "salary", PivotFunction::Sum).unwrap();
    pivot.display();
    
    // 时间序列处理示例
    let mut df3 = DataFrame::new();
    df3.add_column("date", vec!["2023-01-01", "2023-01-02", "2023-01-03"]).unwrap();
    df3.add_column("value", vec![100, 150, 200]).unwrap();
    
    println!("\n时间序列数据:");
    df3.display();
    
    // 转换日期列
    df3.parse_dates("date", "%Y-%m-%d").unwrap();
    println!("\n解析后的日期:");
    df3.display();
}

高级功能

sqruff-lib提供以下高级功能：

1. 连接操作：支持内连接、左连接、右连接和全外连接
2. 分组聚合：支持按列分组后进行多种聚合计算
3. 数据透视表：创建交叉表或透视表
4. 时间序列处理：支持日期时间操作和重采样

许可证

sqruff-lib使用Apache-2.0许可证发布。

sqruff-lib是一个高性能的Rust数据处理库，特别适合需要快速数据转换和分析的场景。它的API设计简洁明了，同时提供了强大的数据处理能力，是Rust生态中数据科学和数据分析的优秀工具。