用途：Dask 用于处理超出内存的数据与并行计算，把熟悉的 pandas/NumPy API 扩展到多核与集群环境。适合超过可用内存的数据集处理、并行化 pandas/NumPy 操作、批量处理 CSV/Parquet/JSON/HDF5/Zarr 文件、自定义并行任务依赖、以及跨集群（SLURM、Kubernetes）分发工作负载。资料提到：单机内存内提速可用 polars，单机 out-of-core 分析可用 vaex。
主要能力与组件：DataFrames（并行 pandas）、Arrays（并行 NumPy）、Bags（非结构化/文本数据处理）、Futures（基于任务的并行）、Schedulers（执行后端）。DataFrames/Arrays/Bags 采用惰性求值，需调用 .compute() 或 .persist() 才执行；Futures 为即时执行。支持 map_partitions、map_blocks、repartition、set_index(sorted=True)、to_parquet、to_zarr、groupby、merge、SVD、foldby 等操作。
安装：pip install dask[complete]、dask[dataframe]、dask[distributed]、dask-jobqueue。
用法要点：用 dd.read_csv()/da.from_zarr() 直接读取；用 dask.compute(a, b, c) 批量计算；用 client.dashboard_link 查看任务进度与内存。调度器可选 threads（默认）、processes、synchronous、distributed；分布式可用 Client(n_workers=…, threads_per_worker=…, memory_limit=…)，HPC 可用 SLURMCluster、KubeCluster 并配合 cluster.scale()/adapt()。
限制与注意：资料未提供收费、价格、平台与效果数据，均暂未提供。常见问题包括 MemoryError（改用 to_parquet/persist）、任务图过大（增大 chunk）、GIL 争用（改用 processes）、map_partitions 缺少 meta、Worker OOM、慢 join（先 set_index）、未实现操作（改用 map_partitions）、仪表盘不可访问（需启动 Client）等。分块目标约 100 MB，过大或过小都会影响性能。