Polars ist eine schnelle, auf Apache Arrow basierende Engine für spaltenorientierte DataFrames. In diesem Kurs lernen Sie, wie Sie sie in Rust für echte Data-Engineering-Aufgaben einsetzen können. Sie werden ein Cargo-Projekt mit den Feature-Flags „lazy“ und „csv“ konfigurieren, die Datei „wine-ratings.csv“ in einen typisierten DataFrame laden und den Unterschied zwischen „eager“ DataFrames für die Datenexploration und „lazy“ LazyFrames für den Produktiveinsatz kennenlernen. Sie werden Ausdrücke für „select“, „filter“, „slice“, „sort“, „group_by“, „agg“ und „join“ zusammenstellen und anschließend die „explain“-Ausgabe lesen, um zu sehen, wie Prädikat- und Projektions-Pushdown Ihre Abfrage vor der Ausführung umschreiben. In Modul 2 wenden Sie die API an, um einen echten „wine-ratings“-Datensatz mit dokumentierten „drop“--, „fill“- und „normalize“-Regeln zu bereinigen. Modul 3 bindet alles in „wine-pipeline“ ein, drei Rust-CLI-Binärdateien, die eine Bronze-, Silber- und Gold-Medallion-Architektur über eine gemeinsam genutzte SQLite-Datenbank implementieren und eine Top-10-Rangliste der Rebsorten als CSV und JSON exportieren. Am Ende verfügen Sie über eine vollständige, lauffähige Rust-Pipeline, die Sie an jeden tabellarischen Datensatz anpassen können.