这项工作由 Anaconda Inc 提供支持
为了提高透明度，我正在尝试更频繁地撰写博客，介绍 Dask 及相关项目正在进行的工作。这里没有任何内容已准备好用于生产环境。这篇博文是匆忙写成的，所以不要期望有精炼的润色。
自上次更新以来，在0.19.0 发布博文中两周前，我们在以下领域开展了活动：
新的 dask-labextension 将 Dask 的仪表盘图表嵌入到 JupyterLab 会话中，以便您可以直接从 Jupyter 轻松访问有关计算的信息。这是几周前作为上一个发布文章的一部分发布的。
然而自那时以来，我们已将其连接到我们的实时示例系统，该系统允许用户使用 mybinder.org 在小型云实例上试用 Dask。如果您想一起试用 Dask 和 JupyterLab，请前往此处
感谢 Ian Rose 管理这项工作。
使用 nbsphinx Sphinx 扩展自动运行和渲染 Jupyter Notebooks，我们将实时示例库变成了静态文档，以便于查看。
这些示例目前可在 https://dask.org.cn/dask-examples/ 获取，并将很快在 examples.dask.org 以及所有 Dask 页面的导航栏中获取。
感谢 Tom Augspurger 整理了这一切。
Dask 文档目前分散在许多小型托管站点中，每个站点都与特定的子包相关联，例如 dask-ml、dask-kubernetes、dask-distributed 等。这简化了开发（鼓励开发人员在修改代码时修改文档），但导致用户体验碎片化，因为用户不知道如何发现和有效地浏览我们的完整文档。
为了解决这个问题，我们正在做两件事：
您可以通过访问任何 Dask 站点（例如 docs.dask.org）查看其工作方式。
感谢 Tom Augspurger 管理这项工作，并感谢 Andy Terrel 耐心地处理 NumFOCUS 方面和域名方面的事情。
多年来，Dask 社区一直维护着 hdfs3 库，该库允许从 Python 本地访问 Hadoop 文件系统。该库使用 Pivotal 的 C++ 编写的 libhdfs3 库，在很长一段时间内是从 Python 成熟操作 HDFS 的唯一高性能方式。
然而自那时以来，PyArrow 开发了对标准 libhdfs 库的高效绑定，并通过其 Python 风格的 文件系统接口暴露出来，幸好该接口与 Dask 兼容。
我们现在已告诉人们使用 Arrow 解决方案一段时间了，并认为我们现在应该正式这样做（参见 dask/hdfs3 #170）。截至上一个错误修复版本，Dask 将默认使用 Arrow，并且虽然 hdfs3 库仍然可用，但 Dask 的维护者将来可能不会在其上投入太多时间。
感谢 Martin Durant 一直以来构建和维护 HDFS3。
在 Dask-ML 中，我们继续致力于为实现了 partial_fit API 的模型选择超参数。我们构建了能很好地处理此问题的算法和基础设施，目前正在对 API、参数名称等进行微调。
如果您对此过程感兴趣，请前往 dask/dask-ml #356。
感谢 Tom Augspurger 和 Scott Sievert 进行了这项工作。
在情况稳定时，我们一直在努力增加错误修复版本的发布频率。自上次撰写以来，已经发布了两个次要的错误修复版本。您可以在此处阅读更多相关信息：
Pangeo 社区已经完成了将 Binder 与 Dask 集成的工作，并在此处撰写了关于该过程的文章：Pangeo 遇见 Binder
感谢 Joe Hamman 进行了这项工作并撰写了这篇博文。
将 Dask 部署到 Hadoop 集群的 Dask-Yarn 连接使用了一个库 Skein，以便轻松地从 Python 管理 Yarn 作业。
在过去几周，Skein 开展了大量活动，包括以下内容：
这项工作主要由 Jim Crist 和其他 Skein 贡献者管理。
版权所有 © 2022 Dask 核心开发者。采用 New-BSD 许可。
