Dask 库可以将 Python 计算扩展到多个核心甚至是多台机器。
关于 Python 性能的一个常见抱怨是全局解释器锁（GIL）。由于 GIL，同一时刻只能有一个线程执行 Python 字节码。因此，即使在现代的多核机器上，使用线程也不会加速计算。
但当你需要并行化到多核时，你不需要放弃使用 Python：Dask 库可以将计算扩展到多个内核甚至多个机器。某些设置可以在数千台机器上配置 Dask，每台机器都有多个内核。虽然存在扩展规模的限制，但一般达不到。
虽然 Dask 有许多内置的数组操作，但举一个非内置的例子，我们可以计算偏度：
“`
import numpy
import dask
from dask import array as darray
arr = dask.fromarray(numpy.array(mydata), chunks=(1000,))
mean = darray.mean()
stddev = darray.std(arr)
unnormalized_moment = darry.mean(arr * arr * arr)
See formula in wikipedia:
skewness = ((unnormalized_moment – (3 * mean * stddev * 2) – mean * 3) /
stddev ** 3)
“`
请注意，每个操作将根据需要使用尽可能多的内核。这将在所有核心上并行化执行，即使在计算数十亿个元素时也是如此。
当然，并不是我们所有的操作都可由这个库并行化，有时我们需要自己实现并行性。
为此，Dask 有一个“延迟”功能：
“`
import dask
def is_palindrome(s):
return s == s[::-1]
palindromes = [dask.delayed(ispalindrome)(s) for s in stringlist]
total = dask.delayed(sum)(palindromes)
result = total.compute()
“`
这将计算字符串是否是回文并返回回文的数量。
虽然 Dask 是为数据科学家创建的，但它绝不仅限于数据科学。每当我们需要在 Python 中并行化任务时，我们可以使用 Dask —— 无论有没有 GIL。
via: https://opensource.com/article/19/4/parallel-computation-python-dask
作者：Moshe Zadka (Community Moderator) 选题：lujun9972 译者：geekpi 校对：wxy
主题测试文章，只做测试使用。发布者：eason，转转请注明出处：https://aicodev.cn/2019/04/18/%e4%bd%bf%e7%94%a8-dask-%e5%9c%a8-python-%e4%b8%ad%e8%bf%9b%e8%a1%8c%e5%b9%b6%e8%a1%8c%e8%ae%a1%e7%ae%97/
