计算两个xarray气温数据集均值速度极慢，求原因及优化方法

首先要明确：你最初用的(xr1+xr2)/2不仅速度慢，逻辑也不符合需求——当其中一个数据集的温度值为NaN时，计算结果会直接变成NaN，而不是跳过NaN取有效数值的均值。下面是几个高效且符合需求的优化思路：

方法1：xarray原生concat + mean（推荐） #

利用xarray的维度拼接和内置均值计算，完全避免手动提取底层数组，同时自动处理坐标匹配和NaN跳过：

# 按新维度拼接两个温度变量
combined_temp = xr.concat([xr1['temperature'], xr2['temperature']], dim='sample')
# 沿新维度计算均值，skipna=True自动跳过NaN
mean_temp = combined_temp.mean(dim='sample', skipna=True)

这个方法的优势在于：

• 复用xarray的懒加载机制（如果数据集是dask-backed的），避免一次性加载全部数据到内存
• 内部调用优化后的numpy/dask计算逻辑，比手动加减效率高
• 自动保留原始坐标信息，无需手动重构DataArray

方法2：结合numpy.nanmean与xarray数据接口 #

如果你更习惯用numpy的nanmean，不要用.values（会强制把所有数据加载到内存，大数据场景下极慢），改用.data属性获取底层数组（支持dask懒加载），再封装回xarray结构：

# 直接对底层数组计算nanmean，axis=0表示沿样本维度取均值
mean_data = np.nanmean([xr1['temperature'].data, xr2['temperature'].data], axis=0)
# 用原始数据集的坐标和维度构建新的DataArray
mean_temp = xr.DataArray(mean_data, coords=xr1.coords, dims=xr1.dims)

方法3：大数据场景下用Dask并行处理 #

如果你的数据集非常大，先将数据集分块转为Dask数组，利用并行计算加速：

# 按经纬度分块（块大小根据你的内存调整）
xr1_chunked = xr1.chunk({'lat': 20, 'lon': 20})
xr2_chunked = xr2.chunk({'lat': 20, 'lon': 20})

# 拼接后并行计算均值
combined_temp = xr.concat([xr1_chunked['temperature'], xr2_chunked['temperature']], dim='sample')
mean_temp = combined_temp.mean(dim='sample', skipna=True).compute()

分块后计算会自动利用多CPU核心处理，大幅提升大数据集的运算速度。

为什么之前的方法慢？ #

• (xr1+xr2)/2：不仅逻辑错误，还会生成中间数组（xr1+xr2），额外占用内存；同时xarray的算术运算在处理NaN时会逐个元素判断，效率较低。
• .values提取：会强制将整个数据集加载到内存，大数据场景下磁盘IO和内存拷贝的开销极大，导致速度骤降。

内容的提问来源于stack exchange，提问作者gil averbuch