在长时间使用DASK多处理调度程序后，我注意到Python过程是由多处理调度程序启动的。我如何重新启动工作池？
update：您可以做到这一点杀死工人由多处理调度程序开始：
从dask.context导入_globalspool = _globals.pop（'poop'）＃从全球范围内删除池以使dask创建一个新的pool.close（）pool..terminate（）pool.join（）
第一个答案：
对于消耗大量内存的任务，我也更喜欢在Localhost中使用distributed调度程序。
这很简单：
- 在一个外壳中启动调度程序：
$ dask-Scheduler分布式。Scheduler-信息-----------------------------------------------------------------------------------------------------------------------------------------------------------------------distriptited.scheduler-信息 - 调度程序，网址：1.2.3.4：8786distriptited.scheduler-信息 - http，网址：1.2.3.4：9786distribleted.bokeh.application-信息 - 网络UI：http：//1.2.3.4:8787/status/分布式。Scheduler-信息-----------------------------------------------------------------------------------------------------------------------------------------------------------------------distription.core-信息 - 连接从1.2.3.4：56240到调度程序distription.core-信息 - 连接从1.2.3.4：56241到调度程序distription.core-信息 - 连接从1.2.3.4：56242到调度程序
- 在另一个外壳中启动工人，您可以相应地调整参数：
$ dask-worker -nprocs 8 - nthreads 1--膜限制.8 1.2.3.4：8786Distriptuct.Nanny-信息 - 启动Nanny：127.0.0.1：61760Distription.Nanny-信息 - 启动保姆：127.0.0.1：61761Distribal.Nanny-信息 - 开始保姆：127.0.0.1：61762Distriptuct.Nanny-信息 - 开始保姆：127.0.0.1：61763distription.worker-信息 - 启动工人在：127.0.0.1：61765distription.worker-信息 - 保姆在：127.0.0.1：61760distriptuct.worker-信息 - http at：127.0.0.1：61764distription.worker-信息 - 等待连接到：127.0.0.1：8786distriptited.worker-信息-------------------------------------------------------------------------------------------------------------------------------------------------------Distribute.Worker-信息 - 线程：1Distription.Nanny-信息 - 启动保姆：127.0.0.1：61767Distribation.Worker-信息 - 内存：1.72 GBdistription.worker -info-本地目录：/var/folder/55/nbg15c6j4k3cg06tjfhqypd40000 gn/t/t/nanny -11ygswb9...
- 最终使用
distributed.Client类提交您的工作。
在[1]中：来自分布式导入客户端在[2]中：客户端=客户端（'1.2.3.4:8786'）在[3]中：客户＆lt;客户端：调度程序=" 127.0.0.1：61829" processes = 8 cores = 8＆gt;在[4]中：摘自分布式。在[5]中：import dask.bag在[6]中：data = dask.bag.range（10000，8）在[7]中：数据dask.bag在[8]中：future = client.compute（data.sum（））在[9]中：进度（未来）[########################################100％完成|0.0s在[10]：future.result（）49995000
我发现这种方式比默认调度程序更可靠。我更喜欢明确提交任务并处理未来以使用进度小部件，这在笔记本中真的很不错。另外，您仍然可以在等待结果时做一些事情。
如果您由于内存问题而遇到错误，则可以重新启动工人或调度程序（重新开始），使用较小的数据并重试。