5.1. 数据预处理

在 章节 2.1 中提到，数据科学工作的核心在于理解数据和处理数据。Dask 能够将许多单机任务扩展到集群上执行，并能与 Python 社区中的数据可视化等库结合，以完成探索性数据分析。

在分布式数据预处理方面，更多地依赖于 Dask DataFrame 和 Dask Array 的功能，这一点在此不再赘述。

在特征工程部分，Dask-ML 实现了很多 sklearn.preprocessing 的 API，比如 MinMaxScaler。对 Dask 来说，一个稍有不同的地方是其独热编码的实现。截至本书写作时，Dask 使用 DummyEncoder 对类别特征进行独热编码，DummyEncoder 是 scikit-learn OneHotEncoder 的 Dask 替代。我们将在 章节 5.2 展示一个关于类型特征的案例。