xarray coarsen粗化操作中如何实现高斯加权平均计算

不需要修改coarsen内置的均值计算逻辑，直接利用xarray coarsen提供的块重构接口即可实现块内高斯加权平均，这是内存效率最高、逻辑最清晰的原生实现方式。

核心实现代码 #

import numpy as np
import xarray as xr
import scipy.stats as st

# 原始DataArray
da = xr.DataArray(
    data=np.random.random((25,25)),
    dims=["x", "y"],
    coords=dict(
        x=np.arange(25),
        y=np.arange(25),
    ),
)

# 高斯核生成函数
def gkern(kernlen=21, sig=3):
    """Returns a 2D Gaussian kernel."""
    x = np.linspace(-(kernlen/2)/sig, (kernlen/2)/sig, kernlen+1)
    kern1d = np.diff(st.norm.cdf(x))
    kern2d = np.outer(kern1d, kern1d)
    return kern2d/kern2d.sum()

window = gkern(5)
# 将权重核转为xarray对象，指定块内维度名用于广播匹配
window_xr = xr.DataArray(window, dims=["x_win", "y_win"])

# 加权粗化核心逻辑
da_weighted_coarse = (
    da
    .coarsen(x=5, y=5)
    # 将每个非重叠5x5块拆分为「块索引维度+块内相对位置维度」
    .construct(x=("x", "x_win"), y=("y", "y_win"))
    # 广播相乘后对块内维度求和，直接得到加权平均结果
    * window_xr
).sum(dim=["x_win", "y_win"])

逻辑说明 #

• .construct(x=("x", "x_win"), y=("y", "y_win")) 会把原25x25的数组重构为维度为(x:5, x_win:5, y:5, y_win:5)的数组：其中x、y是降采样后5x5结果的坐标，x_win、y_win对应每个块内5个点的相对位置，和生成的5x5高斯核维度完全对齐，不会出现权重错位。
• 上述代码生成的高斯核已经做了总和为1的归一化，因此块内逐元素乘权重后对块内维度求和，结果就是高斯加权平均值。如果使用未归一化的权重，最后除以权重总和即可：.sum(dim=["x_win", "y_win"]) / window_xr.sum()。

方案优势 #

• 不需要提前把权重平铺为和原数组同等尺寸的数组，内存占用更低，处理大尺寸数组时优势明显。
• 完全基于xarray原生接口实现，不会丢失原始坐标信息，也不需要编写额外的自定义归约函数。
• 逻辑可验证：如果把window替换为全1值且除以25的均匀核，得到的结果和da.coarsen(x=5,y=5).mean()的算术平均结果完全一致。

内容的提问来源于stack exchange，提问作者hm8