从NETCDF文件中提取数据的有效方法

Question

我有许多坐标（大约20000），我需要从许多NetCDF文件中提取数据，每个文件大约有30000个时间步（未来的气候场景）。使用这里的解决方案效率不高，原因是每个i，j将“dsloc”转换为“dataframe”所花费的时间（请看下面的代码）。**可以从这里下载NetCDF文件示例**

import pandas as pd
import xarray as xr
import time

#Generate some coordinates
coords_data = [{'lat': 68.04, 'lon': 15.20, 'stid':1},
    {'lat':67.96, 'lon': 14.95, 'stid': 2}]
crd= pd.DataFrame(coords_data)
lat = crd["lat"]
lon = crd["lon"]
stid=crd["stid"]

NC = xr.open_dataset(nc_file)
point_list = zip(lat,lon,stid)
start_time = time.time()
for i,j,id in point_list:
    print(i,j)
    dsloc = NC.sel(lat=i,lon=j,method='nearest')
    print("--- %s seconds ---" % (time.time() - start_time))
    DT=dsloc.to_dataframe()
    DT.insert(loc=0,column="station",value=id)
    DT.reset_index(inplace=True)
    temp=temp.append(DT,sort=True)
    print("--- %s seconds ---" % (time.time() - start_time))

结果是:

68.04 15.2
--- 0.005853414535522461 seconds ---
--- 9.02660846710205 seconds ---
67.96 14.95
--- 9.028568267822266 seconds ---
--- 16.429600715637207 seconds ---

这意味着每个i、j需要大约9秒来处理。考虑到大量的坐标和netcdf文件以及大量的时间步长，我想知道是否有一种python方式可以优化代码。我也可以使用CDO和NCO运营商，但我也发现了使用它们的类似问题。

Answer 1

我有一个潜在的解决方案。这个想法是首先将 xarray 数据数组转换为熊猫，然后根据纬度/纬度条件获取熊猫数据帧的子集。

# convert xarray data to a pandas dataframe
def xr_to_df(data):
    data = data.to_dataframe()
    data.reset_index(inplace=True)
    return data

# convert your xarray data to a pandas dataframe
full_df = xr_to_df(full_xarray)

# create a 2 columns pandas dataframe containing your target coordinates
points = pd.DataFrame({'lat':target_lat, 'lon':target_lon})

# get the values at your target points only via merging on the left
subset = pd.merge(points,full_df)

我不确定你的数据大小，这会有多快。但至少，这避免了循环。我想应该更快吗？

我注意到你的点是随机分布的(不在网格中心)。要解决这个问题，您可以首先编写自己的代码，将它们重新网格化到netcdf分辨率上，使用类似< code > NP . arg min(ABS(lat-lat _ netcdf))这样的工具来查找最近的纬度和经度。

Answer 2

这是xarray使用DataArray索引进行高级索引的完美用例。

# Make the index on your coordinates DataFrame the station ID,
# then convert to a dataset.
# This results in a Dataset with two DataArrays, lat and lon, each
# of which are indexed by a single dimension, stid
crd_ix = crd.set_index('stid').to_xarray()

# now, select using the arrays, and the data will be re-oriented to have
# the data only for the desired pixels, indexed by 'stid'. The
# non-indexing coordinates lat and lon will be indexed by (stid) as well.
NC.sel(lon=crd_ix.lon, lat=crd_ix.lat, method='nearest')

数据中的其他维度将被忽略，因此如果原始数据具有维度< code>(lat，lon，z，time)，则新数据将具有维度< code>(stid，z，time)。