xarray+dask处理大规模海洋气象数据

气象海洋领域，常常会涉及到大规模的数据处理，比如高时空分辨率的模式数据、雷达数据和卫星数据等。

) `1 Z+ |( T0 F% T# a2 O- C

大部分情况，我们一般只会涉及小规模数据处理，对计算效率并不会太过追求。但是当数据量变大时，低效的数据处理所耗费的时间非常明显，因此高效的数据处理方式尤为重要。

本篇以拟合一个高维数据的正太分布参数为例，介绍如何使用xarray+dask加速数据处理。

" W, l1 y9 M x! c% s 7 G2 p* f% X# ?

数据维度X[time, lev, lat, lon]，需要对三维空间每一点，沿着时间维度做正太分布拟合(正太分布拟合只是作为例子，这里可以定义你需要的操作函数)。

其中几个关键点解释一下：

3 `( }( a$ L9 K

（1）首先定义拟合正太分布的函数

def norm_fit(data): loc, scale = st.norm.fit(data) return np.array([loc, scale])

- s5 U3 v( ~( {0 s

这里需要注意的是，拟合的函数，输出参数，需要打包为一个数组。并且它的维度需要和后面aplly_ufun定义的输出维度一致。

+ c+ t9 h" [) P/ A, r% p

（2）xarray分块

^2 i9 a1 ?8 F+ o4 q) ?

x = xr.DataArray(rs.randn(500, 20, 1500, 1500), dims=["time", "lev", "lat","lon"]) x = x.chunk({"lev":5, "lat":100,"lon":100})

) F5 C* q, \6 t+ r, V0 C# `8 o1 i

xarray结合dask可以将一个大型数组分成一个个数据块（chunk），需要注意的是我们需要沿着时间维操作，拟合需要整个时间维度的数据，因此时间维time不能分块，只能对其他维度分块。

（3）xarray.apply_ufunc函数

result = xr.apply_ufunc(norm_fit, u2 E7 A t$ U, u x, input_core_dims=[["time"]], # }2 V4 e P- Q7 S& B/ |5 d output_core_dims=[["paras"]], dask="parallelized", * i& J* B7 T: h2 b% w output_dtypes=[np.float], dask_gufunc_kwargs={output_sizes:{"paras":2}} 7 Y3 ?0 x( @, f/ U )

apply_ufunc函数具体可以参考官网教程，这里只说使用时遇到的困难，即如何定义输出维度：输出维度是用output_core_dim定义的，将输出的拟合参数（期望和标准差）定义为paras维度，维度的大小为2，通过output_sizes参数设置。这样我们输入[time, lev, lat, lon]的数据，在每个空间点对时间维度拟合之后，输出的数据为[lev, lat, lon, paras]。（PS: 这里感谢深雨露大佬的指点）

: s0 u; T; K0 z! \

以下是全部代码：

from scipy import stats as st ) V$ [* C9 ^8 H) f / |( u- ?( n h0 \( e import xarray as xr import dask import numpy as np 3 b% @ N- Q. k- l: l. S from dask.diagnostics import ProgressBar & _6 z6 D- h9 m6 F$ n* I def norm_fit(data): ' T4 c* ]# A! ^( l3 V) |( e loc, scale = st.norm.fit(data) return np.array([loc, scale]) rs = np.random.RandomState(0) x = xr.DataArray(rs.randn(500, 20, 1500, 1500), dims=["time", "lev", "lat","lon"]) , v1 ^, }8 m. O6 S/ B, ? x = x.chunk({"lev":5, "lat":100,"lon":100}) / h& \' ?& A% y* K #使用apply_ufunc计算，并用dask的并行计算 ; E% a' L3 e1 N* j3 [ result = xr.apply_ufunc(norm_fit, x, input_core_dims=[["time"]], output_core_dims=[["paras"]], e- ~; Y' l, V& l# Y: }; e dask="parallelized", output_dtypes=[np.float], * r0 O ^- J0 K( A/ X8 N7 \ dask_gufunc_kwargs={output_sizes:{"paras":2}} 4 P" Q9 M- F1 B2 m6 M+ h! ^5 w ) #compute进行真实的计算并显示进度 with ProgressBar(): result = results.compute() ; l, ]" c5 I7 p" I 4 ~! U; N9 P+ ^ #结果冲命名保存到nc文件 result = result.rename("norm_paras") & W: o' ]. d* i) M& l result = result.to_netcdf("norm_fit_paras.nc",compute=False) with ProgressBar(): S! C) l) q' q6 l. h* v result.compute()

转自：气海同途

关注【Ai尚研修科研技术平台】公众号，查看更多课程安排及免费数据资料