在xarray中,来自许多小cdfs的大型磁盘数据集

时间:2016-11-15 18:12:26

标签: python-xarray

我是xarray的新手,非常感谢帮助我开始项目。我想从许多(1000s)气相色谱 - 质谱(gcms)文件中创建一个单磁盘xarray数据集或数据帧,每个样本运行一个。我最初的目的是简单地绘制来自任意样本集,质荷载(m / z)通道和保留时间窗口的数据叠加,而xarray的索引和延迟加载似乎是理想的。

我有制造商(奇怪的)cdf格式的数据,每个样本一个文件,并以

格式将每个数据转换为pandas数据帧
            t        14       15       16        17        18       19  \
0       271.0  102144.0  14864.0  43584.0   25816.0   82624.0   9992.0   
1       271.1  102720.0  15608.0  42896.0   25208.0   82432.0  10024.0   
2       271.2  101184.0  14712.0  42256.0   24960.0   81472.0   9960.0   
3       271.3  101824.0  14704.0  41216.0   25744.0   83008.0   9984.0   
4       271.4  102208.0  14152.0  41336.0   25176.0   81536.0  10256.0   

其中t上升到2100.0秒,列上升到500(所以488 x 18000)。我有1000个这样的文件,每个文件都有不同的样本名称。

我原本设想xr.concat将它们放入一个巨大的文件中。因此,按照文档,我已经能够从单个样本创建数据集结构并将其保存到cdf,如下所示:

ds1 = xr.Dataset({'intensity': (['time', 'mz'], c1[["{}".format(x) for x in range(14, 501)]].values)},
             coords={'mz': range(14, 501),
                     'time': c1['t'].values,
                     'sample':['c1']})
ds1.to_netcdf('test_ds1.nc')


<xarray.Dataset>
Dimensions:    (mz: 487, smp: 1, time: 18185)
Coordinates:
  * time       (time) float64 271.0 271.1 271.2 271.3 271.4 271.5 271.6 ...
  * mz         (mz) int64 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 ...
  * smp        (smp) <U2 'c1'
Data variables:
    intensity  (time, mz) float64 1.005e+05 1.444e+04 4.162e+04 2.536e+04 ...

(注意mz表示质荷比,即15,16 ... 500)

正如预期的那样,使用xr.open_dataset加载几个dsi并不会增加python进程的内存使用量(我在mac osx上查看活动监视器),这很好。

但是,在运行时

d = xr.concat([ds0, ds1], dim='sample')

内存使用量大约达到70MB /样本,表明d完全在内存中,这不会扩展到1000个样本。

我可以在xarray中做些什么来快速访问磁盘上的数据集?似乎xr.concat不是一种可扩展的方法来创建一个巨大的cdf文件。也许我需要一种方法xr.concat直接到磁盘,或单独的工具来组合cdfs。

1 个答案:

答案 0 :(得分:1)

Xarray在磁盘上组合多个netCDF文件的延迟加载需要using dask

我建议使用open_mfdataset自动处理大部分细节,例如xr.open_mfdataset('all/my/files/*.nc', concat_dim='sample')