トップ / 実行・アクション・IO

to_local_iterator

結果を全件メモリに載せず、1行（またはチャンク）ずつ順番に処理する。

for row in df.to_local_iterator():
    process(row)

for row in ldf.collect().iter_rows(named=True):
    process(row)

挙動・設計の違い

Snowparkのto_local_iterator()は結果をチャンク単位でストリーミングダウンロードしながらイテレータとして渡すため、全件を一度にメモリへ載せずに済む。Polarsのiter_rows()はcollect()で確定させたDataFrameの行を1行ずつ取り出すイテレータで、実行して動作を確認済み。ただしcollect()の時点で全件がすでにメモリ上に確定している点がSnowpark側とは異なる。

移行時の落とし穴

「メモリを使わずに巨大データを順次処理する」という目的であればPolars側は完全に同じ効果を持たない。Snowparkのto_local_iteratorはクエリ結果自体をチャンク単位で取り出すのに対し、Polarsのiter_rows()はすでにcollect()でメモリに載った結果を1行ずつ取り出すだけなので、collect()の時点でメモリ制約に引っかかる可能性がある。Polarsで本当に巨大データをメモリを使わず処理したい場合は、sink_parquet等のストリーミング書き出し（次の書き込み系のページを参照）を検討する。

実行・アクション・IOの他のメソッド

• collect ── それまで積み上げた変換を実際に評価し、結果を手元に取得する。最も基本的なアクション。
• show ── 結果の先頭数行を、確認用に画面へ表示する。
• first ── 先頭の1行だけを取得する。
• take ── 指定した件数の行を取得する。
• to_pandas ── 結果をpandas DataFrameに変換する。
• cache_result ── それまでの計算結果を1度だけ確定させ、以降はその結果を使い回す。
• createOrReplaceView（create_or_replace_view） ── 今のDataFrameの定義を、他のSQLセッションからも参照できるビューとして登録する。
• createOrReplaceTempView（create_or_replace_temp_view） ── 今のセッション限定で有効な、一時的なビューを作る。
• write.save_as_table ── 結果をテーブル（またはファイル）として書き出す。
• explain ── その時点までの変換が、実際にどう実行される予定かを表示する。

出典・検証情報

• Snowpark 公式リファレンス（to_local_iterator）
• Polars 公式リファレンス（to_local_iterator）

Polars 1.43.2 で実行確認 / Snowpark Python SDK 1.54.0 で静的検証（2026-08-26）