如何高效将多维xarray DataArray中的时间字符串转为datetime对象？

方法1：标准ISO格式日期（优先推荐） #

如果你的日期字符串是标准ISO格式（如示例中的YYYY-MM-DDTHH:MM:SS.sssZ），直接使用Xarray内置的astype方法转换为datetime64[ns]类型即可。这种方式基于NumPy向量化操作，性能拉满，完全适配大数据集：

import xarray as xr
import pandas as pd
import numpy as np

# 初始化原数据
b = np.asarray(['2020-01-01T09:41:54.647000Z', '2020-01-01T09:41:55.487000Z',
       '2020-01-01T09:41:56.327000Z', '2020-01-01T09:41:57.167000Z',
       '2020-01-01T09:41:58.007000Z', '2020-01-01T09:41:58.847000Z',
       '2020-01-01T09:41:59.687000Z', '2020-01-01T09:42:00.527000Z',
       '2020-01-01T09:42:01.367000Z', '2020-01-01T09:42:02.207000Z',
       '2020-01-01T09:42:03.047000Z', '2020-01-01T09:42:03.887000Z'],
      dtype=object)
ds = xr.Dataset(data_vars={'time_utc': (['x', 'y', 'z'], b.reshape((2,2,3)))},
       coords={'x': [0,1], 'y': [2,3], 'z':[0,1,2]})

# 核心转换代码
ds['time_utc'] = ds['time_utc'].astype('datetime64[ns]')

转换后的数据类型为datetime64[ns]，支持Xarray所有时间相关的操作（如时间切片、滚动窗口等）。

方法2：转换为Python datetime对象（按需使用） #

如果确实需要Python原生datetime对象数组，可在转换为datetime64后调用dt.to_pydatetime()，但注意此操作会生成object类型数组，性能略低于datetime64：

ds['time_utc_py'] = ds['time_utc'].dt.to_pydatetime()

方法3：非标准日期格式的高效处理 #

如果日期字符串不是标准ISO格式，不要用vectorize=True的apply_ufunc（逐元素循环效率极低），而是先将多维数组展平为一维，用pd.to_datetime转换后再恢复原形状：

# 展平数组并转换
flat_dates = pd.to_datetime(ds['time_utc'].values.flatten(), format="你的日期格式")
# 恢复原形状并替换原变量
ds['time_utc'] = xr.DataArray(flat_dates.reshape(ds['time_utc'].shape), 
                              dims=ds['time_utc'].dims, 
                              coords=ds['time_utc'].coords)

为什么之前的apply_ufunc慢？ #

xr.apply_ufunc(..., vectorize=True)本质是逐元素调用pd.to_datetime，属于Python级别的循环，对于大数据集来说性能开销极大。而上述方法均基于向量化操作（NumPy/Pandas底层C实现），能充分利用硬件性能。

内容的提问来源于stack exchange，提问作者Vinod Kumar