如何在Python中无需插值高效重网格化大矩阵（求和聚合）

方法一：利用NumPy的reshape和sum操作 #

这是最轻量化的实现方式，完全避免Python循环，借助NumPy的向量化运算大幅提升效率。

假设fine_var是NumPy数组，维度为(12, 1800, 3600)，可以按以下步骤处理：

1. 先将纬度和经度维度分别拆分成180×10和360×10的结构
2. 在新增的小维度上求和，得到累加后的粗矩阵

代码示例：

import numpy as np

# 假设fine_var是(12, 1800, 3600)的numpy数组
coarse_var = fine_var.reshape(12, 180, 10, 360, 10).sum(axis=(2, 4))

解释：

• reshape(12, 180, 10, 360, 10)：把原维度拆分成时间(12)、粗纬度(180)、每个粗纬度包含的精细单元格数(10)、粗经度(360)、每个粗经度包含的精细单元格数(10)
• sum(axis=(2, 4))：在第2和第4维度（也就是拆分出来的10个精细单元格的维度）上求和，直接得到每个粗单元格的累加值

方法二：如果使用xarray（对应代码中的ds） #

如果你的fine_var是xarray Dataset/DataArray中的变量，可以直接用xarray内置的coarsen方法，语法更简洁：

import xarray as xr

# 假设ds是包含fine_var的xarray Dataset
coarse_var = ds.fine_var.coarsen(latitude=10, longitude=10, boundary='trim').sum()

解释：

• coarsen(latitude=10, longitude=10)：指定每个粗网格包含10个精细网格
• boundary='trim'：因为原维度1800、3600刚好是10的整数倍，trim不会丢失数据
• .sum()：对每个粗网格内的精细单元格求和，和你要的累加逻辑完全一致

原循环效率低的原因 #

原代码的嵌套Python循环会逐元素处理，每次循环都要做类型转换和索引操作，而NumPy/xarray的向量化运算都是底层用C实现的，效率能提升几个数量级，尤其处理大矩阵时差距更明显。

内容的提问来源于stack exchange，提问作者frank