Altair项目如何实现原生Polars支持并移除PyArrow依赖

在数据可视化领域，Vega-Altair作为基于Vega-Lite的Python声明式可视化库，一直以其优雅简洁的API著称。近期，社区围绕如何优化对Polars数据框架的原生支持展开了一场深入讨论，核心目标是移除对PyArrow这一重量级依赖的需求。

背景与现状

目前Altair通过PyArrow实现对Polars的支持，这种间接方式虽然可行，但带来了两个显著问题：一是增加了不必要的依赖负担（PyArrow体积较大），二是未能充分利用Polars自身的数据处理能力。Polars作为新兴的高性能DataFrame库，已经原生实现了DataFrame交换协议，理论上可以直接与Altair集成。

技术挑战与解决方案

实现这一优化面临几个关键技术点：

1. 日期时间处理：需要替代原有的PyArrow日期转换逻辑，直接使用Polars的dt.to_string()方法
2. 数据序列化：用DataFrame.rows(named=True)替代PyArrow的to_pylist
3. 分类数据处理：为Polars寻找非PyArrow的分类数据处理方案

社区提出了两种实现路径：一是直接为Polars添加少量特化代码路径；二是引入Narwhals这一DataFrame抽象层。经过讨论，后者因其更优雅的抽象和更广泛的兼容性获得青睐。

Narwhals方案的优势

Narwhals作为轻量级DataFrame抽象层，具有以下特点：

1. 统一接口：为不同DataFrame实现（Pandas、Polars、Modin等）提供一致API
2. 轻量级：相比PyArrow显著减小依赖体积
3. 维护保障：已被多个知名项目考虑采用，并有完善的向后兼容策略

技术实现上，Altair可以通过Narwhals统一处理各种DataFrame类型，同时保持对原有PyArrow.Table和Pandas的支持，确保零回归风险。

实施效果与展望

这一改进将使Altair成为对Polars支持最友好的可视化库之一，且不增加额外依赖负担。未来可能带来以下影响：

1. Polars用户可以直接使用DataFrame.plot()方法
2. 更轻量级的WASM部署成为可能
3. 为支持更多DataFrame类型奠定基础

该优化体现了Altair项目追求轻量化和框架无关性的设计理念，同时也展示了Python生态中DataFrame抽象层的重要价值。随着Narwhals等抽象层的发展成熟，数据可视化工具与数据处理框架的集成将变得更加灵活高效。