xarray 的 apply_ufunc 中的 dask=parallelized 和 dask=allowed 有什么区别？
What's the difference between dask=parallelized and dask=allowed in xarray's apply_ufunc?
在函数 apply_ufunc 的 xarray documentation 中说：
dask: ‘forbidden’, ‘allowed’ or ‘parallelized’, optional
How to handle applying to objects containing lazy data in the form of dask arrays:
‘forbidden’ (default): raise an error if a dask array is encountered.
‘allowed’: pass dask arrays directly on to func.
‘parallelized’: automatically parallelize func if any of the inputs are a dask array.
If used, the output_dtypes argument must also be provided.
Multiple output arguments are not yet supported.
并且在 Parallel Computing 的文档页面中有一条注释：
For the majority of NumPy functions that are already wrapped by dask, it’s usually a better idea to use the pre-existing dask.array function, by using either a pre-existing xarray methods or apply_ufunc() with dask='allowed'. Dask can often have a more efficient implementation that makes use of the specialized structure of a problem, unlike the generic speedups offered by dask='parallelized'.
但是，我仍然不清楚这两个选项之间的区别。 allowed 是否仍然对块进行逐个操作以降低内存使用率？如果应用的 ufunc 仅使用 dask 操作，allowed 是否仍会并行化？为什么 parallelized 比 allowed 要求您提供更多关于 ufunc 输出的信息（即参数 output_dtypes、output_sizes）？
dask='allowed' 表示您正在应用 已经 知道如何处理 dask 数组的函数，例如，根据 dask.array 编写的函数操作。在大多数情况下，这确实意味着该函数将一个一个地对块进行操作以降低内存使用量，并将并行应用计算。
dask='parallelized' 需要来自用户的更多信息，因为它创建了自己的包装器，通过使用像 atop 这样的低级 dask.array 函数，允许提供的函数作用于 dask 数组.使用 dask='parallelized'，您可以提供一个只知道如何处理 NumPy 数组的函数，并且 xarray.apply_ufunc 也将扩展它以处理 dask 数组。
在函数 apply_ufunc 的 xarray documentation 中说：
dask: ‘forbidden’, ‘allowed’ or ‘parallelized’, optional
How to handle applying to objects containing lazy data in the form of dask arrays:
‘forbidden’ (default): raise an error if a dask array is encountered.
‘allowed’: pass dask arrays directly on to func.
‘parallelized’: automatically parallelize func if any of the inputs are a dask array.
If used, the output_dtypes argument must also be provided.
Multiple output arguments are not yet supported.
并且在 Parallel Computing 的文档页面中有一条注释：
For the majority of NumPy functions that are already wrapped by dask, it’s usually a better idea to use the pre-existing dask.array function, by using either a pre-existing xarray methods or apply_ufunc() with dask='allowed'. Dask can often have a more efficient implementation that makes use of the specialized structure of a problem, unlike the generic speedups offered by dask='parallelized'.
但是，我仍然不清楚这两个选项之间的区别。 allowed 是否仍然对块进行逐个操作以降低内存使用率？如果应用的 ufunc 仅使用 dask 操作，allowed 是否仍会并行化？为什么 parallelized 比 allowed 要求您提供更多关于 ufunc 输出的信息（即参数 output_dtypes、output_sizes）？
dask='allowed' 表示您正在应用 已经 知道如何处理 dask 数组的函数，例如，根据 dask.array 编写的函数操作。在大多数情况下，这确实意味着该函数将一个一个地对块进行操作以降低内存使用量，并将并行应用计算。
dask='parallelized' 需要来自用户的更多信息，因为它创建了自己的包装器，通过使用像 atop 这样的低级 dask.array 函数，允许提供的函数作用于 dask 数组.使用 dask='parallelized'，您可以提供一个只知道如何处理 NumPy 数组的函数，并且 xarray.apply_ufunc 也将扩展它以处理 dask 数组。