如果我们关注软件发展趋势，会感到 Docker 就是上帝送给我们的礼物。它的基本理念就是如果能在我的机器上工作，那么在您的机器上也能同样地工作。
What’s in it for Data Scientists?
- 时间 节省了安装软件包的时间
- 可重复研究 我认为Docker类似于在报告中设置随机数种子。您机器中使用的相同依赖项和库版本将在另一个人的计算机上使用。这可以确保您生成的分析将在任何其他分析器计算机上运行。
- 分发 不仅分发代码，还分发代码运行的环境
How Does it Work?
Docker采用（可重用）层的概念。所以你在里面写的任何一行 Dockerfile 被视为一层（layer）。例如，您通常会从以下开始：
FROM ubuntu |
这个 Dockerfile 将在 Ubuntu 层上安装一个层 python3 。
本质上你会为每个项目都写一些 apt-get install ，pip install 等命令到你的 Dockerfile 中，而不是子本地来执行。
我建议您阅读 https://docs.docker.com/get-started/ 上的教程以开始使用 Docker 。该学习曲线是最小的（2天最多工作），收益也是巨大的。
Dockerhub
最后，值得一提的是 Dockerhub ，它是Docker得以强大的原因。就像 Github 相对于 Git ，拥有一个开放的 Docker 镜像分享平台。你总是可以使用 docker build ... 在本地构建镜像，但 push 这个镜像到 Dockerhub 上也很好以至于可以很容易的让其他人 pull 下来供个人使用。
此处 提供了我的 Docker 图像，用于机器学习和数据科学，以及源文件。
Concluding Thoughts
就个人而言，我已经开始在大多数 Github Repo 中包含一个Dockerfile。特别是考虑到这意味着我永远不必处理安装问题。
Docker是软件工程师（现在数据科学家/分析师）应该具备的工具之一（与git几乎相同和尊重）。很长一段时间，统计学家和数据科学家忽略了数据分析的软件方面。考虑到使用Docker已经变得如此简单和直观，没有理由不将它作为您的软件开发管道的一部分。