数组
内容
数组¶
Dask Array 使用分块算法实现了 NumPy ndarray 接口的一个子集，将大数组分割成许多小数组。这使我们能够使用所有核心计算大于内存的数组。我们使用 Dask 图来协调这些分块算法。
示例¶
访问 http://www.aidoczh.com/dask-examples/ array.html 查看并运行使用 Dask Array 的示例。
设计¶
Dask 数组协调许多 NumPy 数组（或 API 上足够类似于 NumPy 的“鸭子数组”，如 CuPy 或 Sparse 数组）排列成一个网格。这些数组可能存在于磁盘或其他机器上。
新的鸭子数组块类型（在 NEP-13 的类型转换层次结构 中位于 Dask 之下的类型）可以通过 register_chunk_type() 进行注册。任何其他未注册的鸭子数组类型在二进制操作和 NumPy ufuncs/函数中将被推迟处理（即，Dask 将返回 NotImplemented）。不过请注意，任何 ndarray 类类型都可以使用 from_array() 插入到 Dask 数组中。
常见用途¶
Dask Array 被用于大气和海洋科学、大规模成像、基因组学、优化或统计的数值算法等领域。
范围¶
Dask 数组支持大部分的 NumPy 接口，如下所示：
算术和标量数学：
+, *, exp, log, ...沿轴的缩减操作：
sum(), mean(), std(), sum(axis=0), ...张量收缩 / 点积 / 矩阵乘法:
tensordot轴重排序 / 转置:
transpose切片:
x[:100, 500:100:-2]使用列表或 NumPy 数组对单个轴进行花式索引：
x[:, [10, 1, 5]]像
__array__和__array_ufunc__这样的数组协议一些线性代数：
svd, qr, solve, solve_triangular, lstsq…
然而，Dask Array 并没有实现 NumPy 接口的全部功能。期待这一点的用户将会感到失望。特别地，Dask Array 缺乏以下功能：
np.linalg的许多功能尚未实现。这一工作由许多优秀的 BLAS/LAPACK 实现完成，并且是众多正在进行学术研究项目的重点。形状未知的数组不支持所有操作
像
sort这样的操作在并行处理中是出了名的困难，并且在非常大的数据上其价值有所降低（你很少真正需要完全排序）。通常我们会包含一些并行友好的替代方案，比如topkDask Array 没有实现像
tolist这样的操作，因为对于较大的数据集来说，这些操作会非常低效。同样，使用 for 循环遍历 Dask 数组也是非常低效的。Dask 的开发是由即时需求驱动的，因此许多较少使用的功能尚未实现。鼓励社区贡献。
有关更多功能列表，请参阅 dask.array API。
执行¶
默认情况下，Dask Array 使用线程调度器以避免数据传输成本，并且由于 NumPy 很好地释放了 GIL。在集群上使用 dask.distributed 调度器时也非常有效。