⚡

Dask并行计算库Skill dask

Dask是一个用于并行和分布式计算的Python库，能够处理超出内存的数据集，提供类似Pandas和NumPy的API，适用于大数据处理、数据工程和科学计算。关键词：并行计算、分布式计算、大数据处理、Python数据工程。

数据工程 0 次安装 0 次浏览 更新于 3/16/2026

name: dask description: “并行/分布式计算。将pandas/NumPy扩展到内存之外，并行DataFrames/Arrays，多文件处理，任务图，用于大于RAM的数据集和并行工作流。”

Dask

概述

Dask是一个用于并行和分布式计算的Python库，具备三个关键能力：

  • 超出内存的执行，在单机上处理超过可用RAM的数据
  • 并行处理，通过多核提高计算速度
  • 分布式计算，支持跨多机处理太字节级数据集

Dask从笔记本电脑（处理约100 GiB）扩展到集群（处理约100 TiB），同时保持熟悉的Python API。

何时使用此技能

此技能应在以下情况使用：

  • 处理超过可用RAM的数据集
  • 将pandas或NumPy操作扩展到更大的数据集
  • 并行化计算以提高性能
  • 高效处理多个文件（CSV、Parquet、JSON、文本日志）
  • 构建具有任务依赖的自定义并行工作流
  • 跨多个核心或机器分配工作负载

核心能力

Dask提供五个主要组件，每个适用于不同的用例：

1. DataFrames - 并行Pandas操作

目的：通过并行处理将pandas操作扩展到更大的数据集。

何时使用：

  • 表格数据超过可用RAM
  • 需要一起处理多个CSV/Parquet文件
  • Pandas操作慢且需要并行化
  • 从pandas原型扩展到生产

参考文档：有关Dask DataFrames的全面指南，请参阅references/dataframes.md，包括：

  • 读取数据（单个文件、多个文件、通配符模式）
  • 常见操作（过滤、分组、连接、聚合）
  • 使用map_partitions的自定义操作
  • 性能优化提示
  • 常见模式（ETL、时间序列、多文件处理）

快速示例：

import dask.dataframe as dd

# 读取多个文件作为单个DataFrame
ddf = dd.read_csv('data/2024-*.csv')

# 操作是惰性的，直到调用compute()
filtered = ddf[ddf['value'] > 100]
result = filtered.groupby('category').mean().compute()

关键点：

  • 操作是惰性的（构建任务图），直到调用.compute()
  • 使用map_partitions进行高效自定义操作
  • 当从其他来源处理结构化数据时，尽早转换为DataFrame

2. Arrays - 并行NumPy操作

目的：使用分块算法将NumPy能力扩展到大于内存的数据集。

何时使用：

  • 数组超过可用RAM
  • NumPy操作需要并行化
  • 处理科学数据集（HDF5、Zarr、NetCDF）
  • 需要并行线性代数或数组操作

参考文档：有关Dask Arrays的全面指南，请参阅references/arrays.md，包括：

  • 创建数组（从NumPy、随机、从磁盘）
  • 分块策略和优化
  • 常见操作（算术、归约、线性代数）
  • 使用map_blocks的自定义操作
  • 与HDF5、Zarr和XArray的集成

快速示例：

import dask.array as da

# 创建带分块的大数组
x = da.random.random((100000, 100000), chunks=(10000, 10000))

# 操作是惰性的
y = x + 100
z = y.mean(axis=0)

# 计算结果
result = z.compute()

关键点：

  • 分块大小至关重要（目标约100 MB每块）
  • 操作在分块上并行执行
  • 需要时重新分块以提高操作效率
  • 使用map_blocks处理Dask中不可用的操作

3. Bags - 非结构化数据的并行处理

目的：通过功能操作处理非结构化或半结构化数据（文本、JSON、日志）。

何时使用：

  • 处理文本文件、日志或JSON记录
  • 结构化分析前的数据清洗和ETL
  • 处理不适合数组/DataFrame格式的Python对象
  • 需要内存高效的流式处理

参考文档：有关Dask Bags的全面指南，请参阅references/bags.md，包括：

  • 读取文本和JSON文件
  • 功能操作（映射、过滤、折叠、分组）
  • 转换为DataFrames
  • 常见模式（日志分析、JSON处理、文本处理）
  • 性能考虑

快速示例：

import dask.bag as db
import json

# 读取和解析JSON文件
bag = db.read_text('logs/*.json').map(json.loads)

# 过滤和转换
valid = bag.filter(lambda x: x['status'] == 'valid')
processed = valid.map(lambda x: {'id': x['id'], 'value': x['value']})

# 转换为DataFrame以进行分析
ddf = processed.to_dataframe()

关键点：

  • 用于初始数据清洗，然后转换为DataFrame/Array
  • 使用foldby而非groupby以获得更好性能
  • 操作是流式和内存高效的
  • 为复杂操作转换为结构化格式（DataFrame）

4. Futures - 基于任务的并行化

目的：通过细粒度控制任务执行和依赖构建自定义并行工作流。

何时使用：

  • 构建动态、演进的工作流
  • 需要立即任务执行（非惰性）
  • 计算依赖运行时条件
  • 实现自定义并行算法
  • 需要状态计算

参考文档：有关Dask Futures的全面指南，请参阅references/futures.md，包括：

  • 设置分布式客户端
  • 提交任务和使用futures
  • 任务依赖和数据移动
  • 高级协调（队列、锁、事件、actors）
  • 常见模式（参数扫描、动态任务、迭代算法）

快速示例：

from dask.distributed import Client

client = Client()  # 创建本地集群

# 提交任务（立即执行）
def process(x):
    return x ** 2

futures = client.map(process, range(100))

# 收集结果
results = client.gather(futures)

client.close()

关键点：

  • 需要分布式客户端（即使单机）
  • 任务提交后立即执行
  • 预分散大数据以避免重复传输
  • 每个任务约1毫秒开销（不适合数百万个微小任务）
  • 使用actors进行状态工作流

5. Schedulers - 执行后端

目的：控制Dask任务如何以及在哪里执行（线程、进程、分布式）。

何时选择调度器：

  • 线程（默认）：NumPy/Pandas操作、释放GIL的库、共享内存优势
  • 进程：纯Python代码、文本处理、GIL绑定操作
  • 同步：使用pdb调试、性能分析、理解错误
  • 分布式：需要仪表板、多机集群、高级功能

参考文档：有关Dask Schedulers的全面指南，请参阅references/schedulers.md，包括：

  • 详细调度器描述和特性
  • 配置方法（全局、上下文管理器、每个计算）
  • 性能考虑和开销
  • 常见模式和故障排除
  • 线程配置以优化性能

快速示例：

import dask
import dask.dataframe as dd

# 对DataFrame使用线程（默认，适用于数值）
ddf = dd.read_csv('data.csv')
result1 = ddf.mean().compute()  # 使用线程

# 对Python密集型工作使用进程
import dask.bag as db
bag = db.read_text('logs/*.txt')
result2 = bag.map(python_function).compute(scheduler='processes')

# 对调试使用同步
dask.config.set(scheduler='synchronous')
result3 = problematic_computation.compute()  # 可使用pdb

# 对监控和扩展使用分布式
from dask.distributed import Client
client = Client()
result4 = computation.compute()  # 使用带仪表板的分布式

关键点：

  • 线程：最低开销（约10微秒/任务），最适合数值工作
  • 进程：避免GIL（约10毫秒/任务），最适合Python工作
  • 分布式：监控仪表板（约1毫秒/任务），可扩展到集群
  • 可按计算或全局切换调度器

最佳实践

有关全面的性能优化指南、内存管理策略和常见陷阱避免，请参阅references/best-practices.md。关键原则包括：

从简单解决方案开始

在使用Dask之前，探索：

  • 更好的算法
  • 高效文件格式（Parquet替代CSV）
  • 编译代码（Numba、Cython）
  • 数据采样

关键性能规则

1. 不要本地加载数据然后交给Dask

# 错误：先加载所有数据到内存
import pandas as pd
df = pd.read_csv('large.csv')
ddf = dd.from_pandas(df, npartitions=10)

# 正确：让Dask处理加载
import dask.dataframe as dd
ddf = dd.read_csv('large.csv')

2. 避免重复compute()调用

# 错误：每个compute是单独的
for item in items:
    result = dask_computation(item).compute()

# 正确：对所有项目单次compute
computations = [dask_computation(item) for item in items]
results = dask.compute(*computations)

3. 不要构建过大的任务图

  • 如果任务数百万，增加分块大小
  • 使用map_partitions/map_blocks融合操作
  • 检查任务图大小：len(ddf.__dask_graph__())

4. 选择适当的分块大小

  • 目标：约100 MB每块（或工作内存中每核10块）
  • 太大：内存溢出
  • 太小：调度开销

5. 使用仪表板

from dask.distributed import Client
client = Client()
print(client.dashboard_link)  # 监控性能，识别瓶颈

常见工作流模式

ETL管道

import dask.dataframe as dd

# 提取：读取数据
ddf = dd.read_csv('raw_data/*.csv')

# 转换：清洗和处理
ddf = ddf[ddf['status'] == 'valid']
ddf['amount'] = ddf['amount'].astype('float64')
ddf = ddf.dropna(subset=['important_col'])

# 加载：聚合和保存
summary = ddf.groupby('category').agg({'amount': ['sum', 'mean']})
summary.to_parquet('output/summary.parquet')

非结构化到结构化管道

import dask.bag as db
import json

# 从Bag开始处理非结构化数据
bag = db.read_text('logs/*.json').map(json.loads)
bag = bag.filter(lambda x: x['status'] == 'valid')

# 转换为DataFrame进行结构化分析
ddf = bag.to_dataframe()
result = ddf.groupby('category').mean().compute()

大规模数组计算

import dask.array as da

# 加载或创建大数组
x = da.from_zarr('large_dataset.zarr')

# 在分块中处理
normalized = (x - x.mean()) / x.std()

# 保存结果
da.to_zarr(normalized, 'normalized.zarr')

自定义并行工作流

from dask.distributed import Client

client = Client()

# 一次性分散大数据集
data = client.scatter(large_dataset)

# 带依赖并行处理
futures = []
for param in parameters:
    future = client.submit(process, data, param)
    futures.append(future)

# 收集结果
results = client.gather(futures)

选择正确组件

使用此决策指南选择适当的Dask组件：

数据类型：

  • 表格数据 → DataFrames
  • 数值数组 → Arrays
  • 文本/JSON/日志 → Bags（然后转换为DataFrame）
  • 自定义Python对象 → Bags或Futures

操作类型：

  • 标准pandas操作 → DataFrames
  • 标准NumPy操作 → Arrays
  • 自定义并行任务 → Futures
  • 文本处理/ETL → Bags

控制级别：

  • 高级、自动 → DataFrames/Arrays
  • 低级、手动 → Futures

工作流类型：

  • 静态计算图 → DataFrames/Arrays/Bags
  • 动态、演进 → Futures

集成考虑

文件格式

  • 高效：Parquet、HDF5、Zarr（列式、压缩、并行友好）
  • 兼容但慢：CSV（仅用于初始摄取）
  • 对数组：HDF5、Zarr、NetCDF

集合间转换

# Bag → DataFrame
ddf = bag.to_dataframe()

# DataFrame → Array（用于数值数据）
arr = ddf.to_dask_array(lengths=True)

# Array → DataFrame
ddf = dd.from_dask_array(arr, columns=['col1', 'col2'])

与其他库集成

  • XArray：用标签维度包装Dask数组（地理空间、成像）
  • Dask-ML：与scikit-learn兼容API的机器学习
  • Distributed：高级集群管理和监控

调试和开发

迭代开发工作流

  1. 使用同步调度器测试小数据：
dask.config.set(scheduler='synchronous')
result = computation.compute()  # 可使用pdb，易于调试
  1. 在线程上验证样本：
sample = ddf.head(1000)  # 小样本
# 测试逻辑，然后扩展到全数据集
  1. 使用分布式进行监控扩展：
from dask.distributed import Client
client = Client()
print(client.dashboard_link)  # 监控性能
result = computation.compute()

常见问题

内存错误：

  • 减小分块大小
  • 策略性使用persist()并在完成后删除
  • 检查自定义函数中的内存泄漏

启动慢：

  • 任务图太大（增加分块大小）
  • 使用map_partitions或map_blocks减少任务

并行化差：

  • 分块太大（增加分区数）
  • 对Python代码使用线程（切换到进程）
  • 数据依赖阻碍并行

参考文件

所有参考文档文件可在需要详细信息时阅读：

  • references/dataframes.md - 完整的Dask DataFrame指南
  • references/arrays.md - 完整的Dask Array指南
  • references/bags.md - 完整的Dask Bag指南
  • references/futures.md - 完整的Dask Futures和分布式计算指南
  • references/schedulers.md - 完整的调度器选择和配置指南
  • references/best-practices.md - 全面的性能优化和故障排除

当用户需要关于特定Dask组件、操作或模式的详细信息超出此处提供的快速指导时，请加载这些文件。