内容摘要：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，

 Dask 库可以将 Python 计算扩展到多个核心甚至是使用算多台机器。

关于 Python 性能的中进一个常见抱怨是全局解释器锁（GIL）。由于 GIL，行并行计同一时刻只能有一个线程执行 Python 字节码。使用算因此，中进即使在现代的行并行计多核机器上，使用线程也不会加速计算。使用算

但当你需要并行化到多核时，中进你不需要放弃使用 Python：Dask 库可以将计算扩展到多个内核甚至多个机器。行并行计某些设置可以在数千台机器上配置 Dask，使用算每台机器都有多个内核。中进虽然存在扩展规模的亿华云行并行计限制，但一般达不到。使用算

虽然 Dask 有许多内置的中进数组操作，但举一个非内置的行并行计例子，我们可以计算偏度：

import numpyimport daskfrom dask import array as darrayarr = dask.from_array(numpy.array(my_data), 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，并不是我们所有的亿华云计算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 daskdef is_palindrome(s): return s == s[::-1]palindromes = [dask.delayed(is_palindrome)(s) for s in string_list]total = dask.delayed(sum)(palindromes)result = total.compute()

这将计算字符串是否是回文并返回文的数量。

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。