Python-xarray单维度绑定多坐标及数据集合并方案咨询

核心逻辑 #

你不需要将c/d/e拆分为独立维度，直接将三者设置为绑定到c_d_e维度的非维度坐标即可。这类坐标仅和c_d_e维度的位置一一对应，不会扩展数据维度、也不会产生无意义的NaN填充，完全符合低存储占用的要求。

单数据集构造示例 #

import xarray as xr
import numpy as np

# 模拟原始数据参数
a_length = 10
b_length = 20
cde_length = 30 # c_d_e维度的长度，对应c、d、e各有30组一一对应的取值
x_data = np.random.rand(a_length, b_length, cde_length)

# 各坐标取值数组，c/d/e数组长度必须和c_d_e维度长度一致
a_coord = np.arange(a_length)
b_coord = np.arange(b_length)
c_coord = np.random.rand(cde_length)
d_coord = np.random.rand(cde_length)
e_coord = np.random.rand(cde_length)

# 构造目标数据集
ds = xr.Dataset(
    data_vars = {'x': (['a', 'b', 'c_d_e'], x_data)},
    coords = {
        'a': a_coord,
        'b': b_coord,
        # 声明三个绑定到c_d_e维度的非维度坐标
        'c': ('c_d_e', c_coord),
        'd': ('c_d_e', d_coord),
        'e': ('c_d_e', e_coord)
    }
)

构造完成的数据集维度仍为['a', 'b', 'c_d_e']，同时拥有a/b/c/d/e五个可用坐标，完全符合你的预期结构。

多数据集合并操作 #

所有数据集按上述规则构造完成后，直接调用xr.concat沿目标维度拼接即可，非维度坐标会跟随绑定维度自动合并：

# 示例：沿a维度合并多个同结构数据集ds1、ds2、ds3
combined_ds = xr.concat([ds1, ds2, ds3], dim='a')

坐标使用说明 #

后续需要按c/d/e取值筛选、索引数据时，可直接调用xarray的标准索引方法：

# 示例：筛选c取值大于0.5的所有数据
filtered_ds = ds.where(ds.c > 0.5, drop=True)

内容的提问来源于stack exchange，提问作者ge0rg