dask和numpy的计算对比

#dask求解1000000000个数的平均值
import dask.array as da
import numpy as np
import time
x=np.arange(1000000000)
#print(x)
y=da.from_array(x,chunks=(100000,))#chunks表示划分时每块的大小（大数据超过内存容量时，需要对数据进行按块划分）
tic=time.time()
print(y.mean().compute())
toc=time.time()
print(toc-tic)

499999999.5
7.00178861618042

tic=time.time()
print(x.mean())
toc=time.time()
print(toc-tic)

499999999.5
1.3414313793182373

发现numpy竟然比dask快，可能是因为numpy里面有等差数列的求和函数？
再试一下随机的

#dask求解1000000000个数的平均值
import dask.array as da
import numpy as np
import time
x=np.random.random(size=1000000000)
#print(x)
y=da.from_array(x,chunks=(100000,))#chunks表示划分时每块的大小（大数据超过内存容量时，需要对数据进行按块划分）
tic=time.time()
print(y.mean().compute())
toc=time.time()
print(toc-tic)

0.5000172934812016
6.600565433502197

tic=time.time()
print(x.mean())
toc=time.time()
print(toc-tic)

0.5000172934812018
0.8520197868347168
好，这样说明dask，我这里用的只是分块存储，并没有加快运行，反而更慢了。