Dask Python (개발자를 위한 작동 방식)

설치

pip를 사용하여 Dask를 설치할 수 있습니다.

pip install dask[complete]

pip install dask[complete]

기본 사용법

Dask를 사용하여 연산을 병렬화하는 방법을 보여주는 간단한 예입니다.

import dask.array as da

# Create a large Dask array
x = da.random.random((10, 10), chunks=(10, 10))
print('Generated Input')
print(x.compute())

# Perform a computation
result = x.mean().compute()
print('Generated Mean')
print(result)

import dask.array as da

# Create a large Dask array
x = da.random.random((10, 10), chunks=(10, 10))
print('Generated Input')
print(x.compute())

# Perform a computation
result = x.mean().compute()
print('Generated Mean')
print(result)

이 예제에서 Dask는 큰 배열을 생성한 다음 이를 더 작은 덩어리로 나눕니다. compute() 메서드는 병렬 계산을 트리거하고 결과를 반환합니다. 태스크 그래프는 Python Dask에서 병렬 컴퓨팅을 구현하기 위한 내부적인 도구입니다.

출력

출력

모범 사례

1. 소규모로 시작하세요: 규모를 확장하기 전에 Dask의 작동 방식을 이해하기 위해 소규모 데이터 세트로 시작하십시오.
2. 대시보드 사용: Dask는 계산 진행 상황과 성능을 모니터링할 수 있는 대시보드를 제공합니다.
3. 청크 크기 최적화: 메모리 사용량과 계산 속도의 균형을 맞추기 위해 적절한 청크 크기를 선택하십시오.

필수 조건

1. Visual Studio Code가 설치되어 있는지 확인하십시오.
2. Python 버전 3이 설치되어 있습니다.

우선 스크립트를 추가할 Python 파일을 만들어 보겠습니다.

Visual Studio Code를 열고 파일을 생성합니다, daskDemo.py.

필요한 라이브러리를 설치하세요:

pip install dask
pip install ironpdf

pip install dask
pip install ironpdf

다음으로 아래 Python 코드를 추가하여 IronPDF 및 Dask Python 패키지의 사용법을 보여주세요.

import dask
from ironpdf import *

# Apply your license key
License.LicenseKey = "key"

# Generate a synthetic timeseries DataFrame
df = dask.datasets.timeseries()
print('\nGenerated DataFrame')
print(df.head(10))

# Compute the mean hourly DataFrame
dfmean = df[["x", "y"]].resample("1h").mean().head(10)
print('\nComputed Mean Hourly DataFrame')
print(dfmean)

# Initialize the PDF renderer
renderer = ChromePdfRenderer()

# Create HTML content for the PDF
content = "<h1>Awesome Iron PDF with Dask</h1>"

# Add generated DataFrame to the content
content += "<h2>Generated DataFrame (First 10)</h2>"
rows = df.head(10)
for i in range(10):
    row = rows.iloc[i]
    content += f"<p>{str(row[0])}, {str(row[2])}, {str(row[3])}</p>"

# Add computed mean DataFrame to the content
content += "<h2>Computed Mean Hourly DataFrame (First 10)</h2>"
for i in range(10):
    row = dfmean.iloc[i]
    content += f"<p>{str(row[0])}</p>"

# Render the HTML content as PDF
pdf = renderer.RenderHtmlAsPdf(content)

# Save the PDF to a file
pdf.SaveAs("DemoIronPDF-Dask.pdf")

import dask
from ironpdf import *

# Apply your license key
License.LicenseKey = "key"

# Generate a synthetic timeseries DataFrame
df = dask.datasets.timeseries()
print('\nGenerated DataFrame')
print(df.head(10))

# Compute the mean hourly DataFrame
dfmean = df[["x", "y"]].resample("1h").mean().head(10)
print('\nComputed Mean Hourly DataFrame')
print(dfmean)

# Initialize the PDF renderer
renderer = ChromePdfRenderer()

# Create HTML content for the PDF
content = "<h1>Awesome Iron PDF with Dask</h1>"

# Add generated DataFrame to the content
content += "<h2>Generated DataFrame (First 10)</h2>"
rows = df.head(10)
for i in range(10):
    row = rows.iloc[i]
    content += f"<p>{str(row[0])}, {str(row[2])}, {str(row[3])}</p>"

# Add computed mean DataFrame to the content
content += "<h2>Computed Mean Hourly DataFrame (First 10)</h2>"
for i in range(10):
    row = dfmean.iloc[i]
    content += f"<p>{str(row[0])}</p>"

# Render the HTML content as PDF
pdf = renderer.RenderHtmlAsPdf(content)

# Save the PDF to a file
pdf.SaveAs("DemoIronPDF-Dask.pdf")

코드 설명

이 코드 조각은 데이터 처리를 위해 Dask를, PDF 생성을 위해 IronPDF 통합합니다. 이는 다음을 보여줍니다:

1. Dask 통합: dask.datasets.timeseries()을 사용하여 합성 시계열 DataFrame(df)을 생성합니다. 처음 10개의 행(df.head(10))을 출력하고, 'x'와 'y' 열을 기반으로 시간별 평균 DataFrame(dfmean)을 계산합니다.
2. IronPDF 사용: License.LicenseKey을 사용하여 IronPDF 라이선스 키를 설정합니다. 생성되고 계산된 DataFrame의 헤더와 데이터를 포함하는 HTML 문자열(content)을 생성한 후, 이 HTML 콘텐츠를 ChromePdfRenderer()을 사용하여 PDF(pdf)로 렌더링하고, 최종적으로 'DemoIronPDF-Dask.pdf'로 저장합니다.

이 코드는 대규모 데이터 처리를 위한 Dask의 기능과 HTML 콘텐츠를 PDF 문서로 변환하는 IronPDF의 기능을 결합합니다.

출력

PDF