我很高兴宣布 Dask 1.1.0 版本发布。这是一个包含错误修复和新功能的主要版本。上一个版本 1.0.0 于 2018 年 11 月 29 日发布。这篇博文概述了自上次发布以来值得注意的更改。
您可以使用 conda 安装 Dask
conda install dask
或从 PyPI 使用 pip 安装
pip install dask[complete] --upgrade
完整的更新日志可在此处获取
在过去的几个月里，完成了大量工作，我们鼓励大家查阅更新日志，了解开发者正在进行的各种增量更改。
本次发布中还有一些值得注意的更改，我们将在此处重点介绍
在过去的几个月里，Numpy 和 Pandas 都发展迅速。我们对这两个库中出现的扩展性变化感到兴奋。Dask array/dataframe 子模块已经更新，以更好地适应这些最近的更改。
特别是 Dask Dataframe 支持 Pandas Extension arrays，这意味着可以更轻松地将 CyberPandas 或 Fletcher 等第三方 Pandas 包与 Dask Dataframe 并行使用。
欲了解更多信息，请参见 Tom Augspurger 的博文
一段时间以来，Dask array 对“atop”操作（逐元素、广播、转置、点积、缩减）具有一些高级图，这使得在此类计算中可以减少开销和进行任务融合。
y = da.exp(x + 1).T # 这些操作被融合到一个任务中
我们已将 atop 重命名为 blockwise 以使其更通用，并已开始将其应用于 Dask Dataframe，这有助于在执行许多简单操作的计算时大幅减少开销。
这仍然需要改进，以增加它适用的情况类别，但我们已经在以前未见的负载上看到了不错的加速效果。
da.atop 函数已被弃用，取而代之的是 da.blockwise。现在还有一个 dd.blockwise，它共享通用的代码路径。
我们正在努力使 Dask 对它可以操作的内存数组和 dataframe 对象的类型更加不拘一格。Dask Array 不再是 Numpy 数组的网格，Dask Dataframe 也不再是 Pandas dataframes 的序列，我们将这一限制放宽为 类 Numpy 数组的网格和 类 Pandas dataframes 的序列。
这是一项持续的努力，目标是 scipy.sparse, pydata/sparse, cupy, cudf 和其他系统等备用后端。
最近有一些关于 数组 和 dataframes 的博文，展示了使用 GPU 实现此功能的概念验证。
自上次发布博文以来，已经发布了几个版本。以下人员自 9 月 5 日发布 0.19.0 版本以来为 dask/dask 仓库做出了贡献
以下人员自 9 月 5 日发布 0.19.0 版本以来为 dask/distributed 仓库做出了贡献
Copyright © 2022 Dask 核心开发者。采用新 BSD 许可。
