Docker是属于运维和继续集成的管理工具，特别是在运维方面运用Docker能够让你省去很多重复的工作，能够让你的运用程序永远都是在相同的环境中运转，技能文档能够搜索—知识林—-查看Docker方面的文章
怎样用通俗易懂的话来解说Docker（容器）技能
官网的介绍是这样的：
Dockerisanopenplatformfordevelopersandsysadminstobuild,ship,andrundistributedapplications….
其实看完这句话还是不明白究竟是啥的，下面就慢慢解说。不过长话短说的话，把他想象成一个用了一种新颖方法完成的超轻量虚拟机，在大约作用上也是正确的。当然在完成的原理和运用上还是和VM有巨大差别的，并且专业的叫法是运用容器（ApplicationContainer）。
为啥要用容器？
那么运用容器长什么姿态呢，一个做好的运用容器长得就好像一个装好了一组特定运用的虚拟机相同。比方我现在想用MySQL那我就找个装好MySQL的容器，运转起来，那么我就能够运用MySQL了。
那么我直接装个MySQL不就好了，何必还需求这个容器这么怪异的概念？话是这么说，但是你要真装MySQL的话可能要再装一堆依靠库，根据你的操作系统平台和版别进行设置，有时分还要从源代码编译报出一堆莫名其妙的错误，可不是这么好装。并且万一你机器挂了，一切的东西都要从头来，可能还要把装备在从头弄一遍。但是有了容器，你就相当于有了一个能够运转起来的虚拟机，只要你能运转容器，MySQL的装备就全省了。并且一旦你想换台机器，直接把这个容器端起来，再放到另一个机器就好了。硬件，操作系统，运转环境什么的都不需求考虑了。
在公司中的一个很大的用途便是能够确保线下的开发环境、测验环境和线上的出产环境共同。当年在Bai经常碰到这样的工作，开发把东西做好了给测验去测，一般会给一坨代码和一个介绍上线过程的上线单。成果代码在测验机跑不起来，开发就跑来跑去看问题，一会儿啊这个装备文件忘了提交了，一会儿啊这个上线指令写错了。找到了一个bug提上去，开发一看，啊我怎样又忘了把这个指令写在上线单上了。类似的工作在上线的时分还会产生，变成啊你这个软件的版别和我机器上的不相同……在Amazon的时分，由于一个开发直接担任上述三个职位，并且有一套自动化布置的机制所以问题会少一点，但是上线的时分我们还是惶惶不安。
若果使用容器的话，那么开发直接在容器里开发，提测的时分把整个容器给测验，测好了把改动改在容器里再上线就好了。通过容器，整个开发、测验和出产环境能够保持高度的共同。
此外容器也和VM相同具有着必定的阻隔性，各个容器之间的数据和内存空间彼此阻隔，能够确保必定的安全性。
docker通俗解释
JeffLofvers的漫画说明了在软件开发和数据科学中经常遇到的问题。假如当你正在准备数据剖析或猜测模型时，假如你想共享它们，就会发现它们不适用于其他机器。这个失利，是因为缺少库，库有过错的版别（“依靠地狱”/”dependencyhell”），或者装备不同。于是你便开始了消耗时间的故障扫除。
处理方案并不困难：Docker以轻量级方法处理了可重复性问题，一起也供给了许多其他优势。
什么是Docker？
Docker能够轻松创立，运转和分发运用程序。运用程序打包了运转运用程序所需的一切内容。该概念确保容器能够在每个docker运转环境上运转。
Docker的优势
动图封面
再生性
运用Docker时，能够确保软件产品（运用程序，数据剖析，猜测模型等）在一切docker运转时环境中运转。因为容器包括运转工程所需的全部，使得货品愈加强壮。它不只分发代码，还分发环境。
共同性
Docker供给了一个统一且共同的运转环境，适用于各种软件产品。它减少了系统办理的时间，更专心于中心作业。你或许知道Anaconda的环境;Docker类似于整个软件生态系统。
可追溯性
a.）Docker容器代码的版别控制
Docker容器是根据脚本构建的，该脚本在必要的软件依靠和环境下是可读摘要的。这种脚本能够受版别控制。脚本完全能够经过这种方法跟踪。
b.）一切人工制品的统一分配环境
Docker容器能够存储在组织内的存储库中，然后以这种方法保存整个版别的历史记录。
可移植性
Docker容器能够轻松地从一个docker环境移植到另一个docker环境。DockerSwarm（或Kubernetes）允许主动扩展运用程序，然后以这种方法减少系统办理和操作的本钱。
可是，Docker在数据科学范畴的运用示例是什么？接下来，我将专心于数据科学OSEMN的进程。
Docker在数据科学进程中的运用案例
现实是，该进程包括各种东西和编程言语。Docker是办理这些异构技能仓库的首选平台，因为每个容器都供给了一个程序所刚好需求的运转环境。经过这种方法减少了技能仓库的搅扰。
1.获取：从相关来历收集数据
数据是数据科学的燃料。你检索它，例如数据来自调查，临床试验，网络抓取，科学实验，企业运用或模拟。一般，当数据工程师正在处理数据时，一起也触及其他利益相关者，这导致了各种各样的数据库系统和编程言语。
一切这些技能仓库都能够在Docker容器中独立运转。
动图封面
2.净化：整理数据并将数据汇总到机器能够理解的格式
假如在步骤1中获得的数据是石油，那么现在它是原油。需求进行整理，处理并将其与剖析和建模所需的数据相结合。
其中一些例子或许已在数据检索步骤中完结，而且具有更多数据工程技能仓库。另一些用例则或许与勘探和建模阶段重叠，触及更典型的数据剖析技能。
许多数据剖析作业都是在需求发布的Notebook（Jupyter，RMarkdown）中完结的。能够向组织例举运用中心Jupyter的实例。这种方法的问题在于或许会遇到固定装备和库版别。另一种方法是运用Docker容器发布一个或多个Notebook。然后能够更灵活地运用特定设置。
3.探索：找到形式和趋势
在探索阶段，所要做的便是了解数据中的形式和值。并将成果供给给每个感兴趣的人。
4.模型：构建模型以进行猜测和展望
整理和预处理的数据用于训练机器或深度学习算法。能够经过这种方法创立形式，然后观察数据的数学表示形式。它们可用于猜测和量化不行言说的内容。
动图封面
数据科学的见解得到沟通和可视化。模型作为微服务分发。
定论
Docker是数据科学家的强壮东西，可运用于OSEMN流程的一切阶段。能够用共同，可重复和可追溯的方法运送各种人工制品。人工制品的技能仓库或许非常不同，这是数据科学项目中的现实。数据工程师运用Oracle，MySQL，MongoDB，Redis或ElasticSearch等数据库或Java，Python或C++等编程言语。在剖析和建模团队中，人们或许会运用R，Python，Julia或Scala，而数据故事叙述者则运用JavaScript中的d3.js或运用Tableau来叙述他们的故事。因为专家很少见，所以最好让叙述者运用熟悉的技能，而不是将他们面向未知的技能。这样会更快地获得更好的成果。重视咱们呀~
