alterlab-dask

Dask

概述

Dask 是一个用于并行和分布式计算的 Python 库，支持三项关键能力：

• 在单台机器上执行超出内存容量的数据
• 并行处理，利用多个核心提升计算速度
• 分布式计算，支持跨多台机器处理 TB 级数据集

Dask 可从笔记本电脑（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

在以下情况下应使用此技能：

• 处理超出可用 RAM 容量的数据集
• 将 pandas 或 NumPy 操作扩展到更大的数据集
• 并行化计算以提升性能
• 高效处理多个文件（CSV、Parquet、JSON、文本日志）
• 构建带有任务依赖关系的自定义并行工作流
• 在多个核心或机器之间分发工作负载

不适用的情况

场景	改用
数据可放入 RAM，且目标是获得单机 DataFrame 的最高速度	alterlab-polars
在单台机器上进行十亿行的外存探索和大数据绘图，且不使用集群	alterlab-vaex
设计分块、压缩的 Zarr 存储和编解码器（而非对其进行计算）	alterlab-zarr

版本说明

自 2025.1 起，采用查询规划的 DataFrame（以前称为 dask-expr）是唯一的 Dask DataFrame 实现，并包含在 dask 中；dask.config.set({"dataframe.query-planning": False}) 已不再存在。文本列会以字符串 dtype 加载（在 Dask 中由 PyArrow 支持；在 pandas 3 中为 str），且归约操作不会静默跳过这些列：存在非数值列时，ddf.mean() 会引发 TypeError，而 ddf.groupby(...).mean() 会引发 NotImplementedError，因此请筛选列或传入 numeric_only=True。

核心能力

Dask 提供五个主要组件，分别适用于不同的用例：

1. DataFrames — 并行 Pandas 操作

用途：通过并行处理，将 pandas 操作扩展到更大的数据集。

适用情况：

• 表格数据超出可用 RAM 容量
• 需要同时处理多个 CSV/Parquet 文件
• Pandas 操作速度较慢，需要并行化
• 从 pandas 原型扩展到生产环境

参考文档：如需全面了解 Dask DataFrames，请参阅 references/dataframes.md，其中包括：

• 读取数据（单个文件、多个文件、glob 模式）
• 常见操作（筛选、groupby、连接、聚合）
• 使用 map_partitions 执行自定义操作
• 性能优化技巧
• 常见模式（ETL、时间序列、多文件处理）

快速示例：

import dask.dataframe as dd

# Read multiple files as single DataFrame
ddf = dd.read_csv('data/2024-*.csv')

# Operations are lazy until compute()
filtered = ddf[ddf['value'] > 100]
result = filtered.groupby('category').mean(numeric_only=True).compute()

要点：

• 操作是惰性的（构建任务图），直到调用 .compute()
• 使用 map_partitions 执行高效的自定义操作
• 处理来自其他来源的结构化数据时，尽早转换为 DataFrame

2. Arrays — 并行 NumPy 操作

用途：通过分块算法，将 NumPy 的能力扩展到大于内存容量的数据集。

适用情况：

• 数组超出可用 RAM 容量
• 需要并行化 NumPy 操作
• 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：如需全面了解 Dask Arrays，请参阅 references/arrays.md，其中包括：

• 创建数组（来自 NumPy、随机数据或磁盘）
• 分块策略与优化
• 常见操作（算术、归约、线性代数）
• 使用 map_blocks 执行自定义操作
• 与 HDF5、Zarr 和 XArray 集成

快速示例：

import dask.array as da

# Create large array with chunks
x = da.random.random((100000, 100000), chunks=(10000, 10000))

# Operations are lazy
y = x + 100
z = y.mean(axis=0)

# Compute result
result = z.compute()

要点：

• 分块大小至关重要（目标是每块约 100 MB）
• 操作会并行处理各个块
• 必要时重新分块，以提高操作效率
• 对于 Dask 不支持的操作，使用 map_blocks

3. Bags - 非结构化数据的并行处理

用途：使用函数式操作处理非结构化或半结构化数据（文本、JSON、日志）。

适用场景：

• 处理文本文件、日志或 JSON 记录
• 在结构化分析前进行数据清理和 ETL
• 处理不适合数组或数据框格式的 Python 对象
• 需要节省内存的流式处理

参考文档：如需全面了解 Dask Bags，请参阅 references/bags.md，其中包括：

• 读取文本和 JSON 文件
• 函数式操作（map、filter、fold、groupby）
• 转换为数据框
• 常见模式（日志分析、JSON 处理、文本处理）
• 性能注意事项

快速示例：

import dask.bag as db
import json

# Read and parse JSON files
bag = db.read_text('logs/*.json').map(json.loads)

# Filter and transform
valid = bag.filter(lambda x: x['status'] == 'valid')
processed = valid.map(lambda x: {'id': x['id'], 'value': x['value']})

# Convert to DataFrame for analysis
ddf = processed.to_dataframe()

要点：

• 用于初步数据清理，然后转换为 DataFrame/Array
• 使用 foldby 代替 groupby，以获得更好的性能
• 操作采用流式处理，且节省内存
• 复杂操作应转换为结构化格式（DataFrame）

4. Futures - 基于任务的并行化

用途：通过精细控制任务执行和依赖关系，构建自定义并行工作流。

适用场景：

• 构建动态且不断演进的工作流
• 需要立即执行任务（而非延迟执行）
• 计算依赖于运行时条件
• 实现自定义并行算法
• 需要有状态计算

参考文档：如需全面了解 Dask Futures，请参阅 references/futures.md，其中包括：

• 设置分布式客户端
• 提交任务并使用 futures
• 任务依赖关系和数据传输
• 高级协调（队列、锁、事件、actor）
• 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()  # Create local cluster

# Submit tasks (executes immediately)
def process(x):
    return x ** 2

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

# Gather results
results = client.gather(futures)

client.close()

要点：

• 需要分布式客户端（即使仅在单台机器上运行）
• 提交任务后立即执行
• 预先分发大型数据，避免重复传输
• 每个任务约有 1ms 开销（不适合数百万个微小任务）
• 使用 actor 实现有状态工作流

5. Schedulers - 执行后端

用途：控制 Dask 任务的执行方式和位置（线程、进程、分布式）。

如何选择调度器：

• Threads（默认）：适用于 NumPy/Pandas 操作、释放 GIL 的库，以及可从共享内存中受益的场景
• Processes：适用于纯 Python 代码、文本处理和受 GIL 限制的操作
• Synchronous：适用于使用 pdb 调试、性能分析和理解错误
• Distributed：适用于需要仪表板、多机器集群或高级功能的场景

参考文档：如需全面了解 Dask Schedulers，请参阅 references/schedulers.md，其中包括：

• 调度器的详细说明和特性
• 配置方法（全局、上下文管理器、每次计算）
• 性能注意事项和开销
• 常见模式和故障排查
• 用于获得最佳性能的线程配置

快速示例：

import dask
import dask.dataframe as dd

# Use threads for DataFrame (default, good for numeric)
ddf = dd.read_csv('data.csv')
result1 = ddf.mean(numeric_only=True).compute()  # Uses threads

# Use processes for Python-heavy work
import dask.bag as db
bag = db.read_text('logs/*.txt')
result2 = bag.map(python_function).compute(scheduler='processes')

# Use synchronous for debugging
dask.config.set(scheduler='synchronous')
result3 = problematic_computation.compute()  # Can use pdb

# Use distributed for monitoring and scaling
from dask.distributed import Client
client = Client()
result4 = computation.compute()  # Uses distributed with dashboard

要点：

• Threads：开销最低（每个任务约 10 µs），最适合数值计算
• Processes：避免 GIL（每个任务约 10 ms），最适合 Python 任务
• Distributed：提供监控仪表板（每个任务约 1 ms），可扩展至集群
• 可以针对单次计算或全局切换调度器

最佳实践

如需全面了解性能优化、内存管理策略和常见陷阱，请参阅 references/best-practices.md。主要原则包括：

从更简单的解决方案入手

使用 Dask 前，请考虑：

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

关键性能规则

1. 不要先在本地加载数据，再交给 Dask

# Wrong: Loads all data in memory first
import pandas as pd
df = pd.read_csv('large.csv')
ddf = dd.from_pandas(df, npartitions=10)

# Correct: Let Dask handle loading
import dask.dataframe as dd
ddf = dd.read_csv('large.csv')

2. 避免重复调用 compute()

# Wrong: Each compute is separate
for item in items:
    result = dask_computation(item).compute()

# Correct: Single compute for all
computations = [dask_computation(item) for item in items]
results = dask.compute(*computations)

3. 不要构建过大的任务图

• 如果任务数达到数百万，增大分块大小
• 使用 map_partitions/map_blocks 合并操作
• 检查任务图大小：len(ddf.__dask_graph__())

4. 选择合适的分块大小

• 目标：每个分块约 100 MB（或每个核心在工作节点内存中容纳 10 个分块）
• 过大：内存溢出
• 过小：调度开销过大

5. 使用仪表板

from dask.distributed import Client
client = Client()
print(client.dashboard_link)  # Monitor performance, identify bottlenecks

常见工作流模式

ETL 管道

import dask.dataframe as dd

# Extract: Read data
ddf = dd.read_csv('raw_data/*.csv')

# Transform: Clean and process
ddf = ddf[ddf['status'] == 'valid']
ddf['amount'] = ddf['amount'].astype('float64')
ddf = ddf.dropna(subset=['important_col'])

# Load: Aggregate and save. Named aggregation keeps flat string column names;
# a dict-of-lists .agg() creates MultiIndex columns that Parquet rejects.
summary = ddf.groupby('category').agg(
    amount_sum=('amount', 'sum'),
    amount_mean=('amount', 'mean'),
)
summary.to_parquet('output/summary.parquet')

非结构化到结构化数据管道

import dask.bag as db
import json

# Start with Bag for unstructured data
bag = db.read_text('logs/*.json').map(json.loads)
bag = bag.filter(lambda x: x['status'] == 'valid')

# Convert to DataFrame for structured analysis
ddf = bag.to_dataframe()
result = ddf.groupby('category').mean(numeric_only=True).compute()

大规模数组计算

import dask.array as da

# Load or create large array
x = da.from_zarr('large_dataset.zarr')

# Process in chunks
normalized = (x - x.mean()) / x.std()

# Save result
da.to_zarr(normalized, 'normalized.zarr')

自定义并行工作流

from dask.distributed import Client

client = Client()

# Scatter large dataset once
data = client.scatter(large_dataset)

# Process in parallel with dependencies
futures = []
for param in parameters:
    future = client.submit(process, data, param)
    futures.append(future)

# Gather results
results = client.gather(futures)

选择合适的组件

使用此决策指南选择合适的 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、自动化 → DataFrames/Arrays
• 低级、手动 → Futures

工作流类型：

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

集成注意事项

文件格式

• 高效：Parquet、HDF5、Zarr（列式、压缩、适合并行处理）
• 兼容但较慢：CSV（仅用于初始导入）
• 适用于数组：HDF5、Zarr、NetCDF

集合之间的转换

# Bag → DataFrame
ddf = bag.to_dataframe()

# DataFrame → Array (for numeric data)
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：为 Dask 数组封装带标签的维度（地理空间、成像）
• Dask-ML：使用兼容 scikit-learn 的 API 进行机器学习
• Distributed：高级集群管理和监控

调试与开发

迭代式开发工作流

1. 使用同步调度器在小型数据上测试：

dask.config.set(scheduler='synchronous')
result = computation.compute()  # Can use pdb, easy debugging

2. 使用线程在样本数据上验证：

sample = ddf.head(1000)  # Small sample
# Test logic, then scale to full dataset

3. 使用 distributed 扩展规模并进行监控：

from dask.distributed import Client
client = Client()
print(client.dashboard_link)  # Monitor performance
result = computation.compute()

常见问题

内存错误：

• 减小分块大小
• 有策略地使用 persist()，完成后删除数据
• 检查自定义函数是否存在内存泄漏

启动缓慢：

• 任务图过大（增大分块大小）
• 使用 map_partitions 或 map_blocks 减少任务数

并行化效果不佳：

• 分块过大（增加分区数）
• 使用线程执行 Python 代码（改用进程）
• 数据依赖阻碍并行处理

参考文件

如需详细信息，可按需阅读以下参考文档：

• 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 - 完整的调度器选择与配置指南
• references/best-practices.md - 全面的性能优化与故障排除指南

当用户需要了解此处快速指南未涵盖的特定 Dask 组件、操作或模式的详细信息时，请加载这些文件。