我让这个用于一个简单的案例:
arr2 = xr.DataArray((np.arange(16)-8).reshape(4, 4), dims=['x', 'y'])
arr3 = xr.DataArray(np.arange(16).reshape(4, 4), dims=['x', 'y'])
<xarray.DataArray (x: 4, y: 4)>
array([[ nan, nan, nan, nan],
[ nan, nan, nan, nan],
[ nan, 9., 10., 11.],
[ 12., 13., 14., 15.]])
Dimensions without coordinates: x, y
但是,我在处理NetCDF文件时遇到了麻烦。 我有两个数据集:有效波高(Hs)和风速(ws)。 我想使用Hs <0的掩码并将其应用于ws。 数据集的大小为[time = 1,lat = 81,lon = 131]。在期货中会有一段时间,我的ws DataArray的大小会略有不同,例如: [时间= 1,ENS = 10,LAT = 81,LON = 131]。
如果我尝试:
f = xr.open_dataset('CCSM4_ens1_19821201_19831130_ws10_0_NAtl_DJFmean.nc')
ws10 = f.ws10
f = xr.open_dataset('ww3.Hs.19820901_19830831_NAtl_DJFmean.nc')
hs = f.hs
ws10_masked = ws10.where(hs > 0)
ws10_masked看起来像:
xarray.DataArray (time: 1, lat: 81, lon: 131, latitude: 81, longitude: 131)
array([[[[[ nan, ..., nan],
...,
[ nan, ..., nan]],
...,
[[ nan, ..., nan],
...,
[ nan, ..., nan]]],
...,
[[[ nan, ..., nan],
...,
[ nan, ..., nan]],
...,
[[ nan, ..., nan],
...,
[ nan, ..., nan]]]]])
Coordinates:
* lat (lat) float64 0.0 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 ...
* lon (lon) float64 260.0 261.0 262.0 263.0 264.0 265.0 266.0 267.0 ...
* time (time) datetime64[ns] 1983-01-15T12:00:00
* latitude (latitude) float32 0.0 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 ...
* longitude (longitude) float32 -100.0 -99.0 -98.0 -97.0 -96.0 -95.0
...
Attributes:
associated_files: baseURL: http://cmip-
pcmdi.llnl.gov/CMIP5/dataLocation...
cell_methods: time: mean
history: 2014-07-03T07:58:56Z altered by CMOR: Treated
scalar d...
long_name: Eastward Near-Surface Wind
standard_name: eastward_wind
units: m s-1
你可以看到,因为ws有维度名称lon和lat,因为Hs具有维度名称经度和纬度,它创建了一个5维DataArray而不是正确选择掩码。
无论尺寸名称是否不同,或者DataArrays的尺寸不同,我都可以选择蒙版吗?
我之前用numpy.math(ma)做了这个:
hs = f.variables['hs'][:]
hs_masked = ma.masked_values(hs, -65.534004)
tmp = np.zeros((len(lat), len(lon))
# Create masked array
data_cs = ma.masked_values(tmp, 0)
# Read new file
tmp = f.variables['cusp'][:]
data_cs[:,:] = ma.masked_array(tmp, hs_masked.mask)
但希望学习/使用xarray。
干杯, 射线
答案 0 :(得分:2)
您需要明确重命名维度名称以匹配,例如hs = hs.rename({'lat': 'latitude', 'longitude': 'longitude'})
。如果坐标标签不完全匹配,您可能还需要使用nearest-neighbor indexing重新编制索引,例如hs.reindex_like(ws10, method='nearest', tolerance=0.01)
。
或者,不太安全,你可以从第二个参数中去掉坐标标签,而只是传入一个未标记的数组,例如ws10.where(hs.data > 0)
。但我不推荐这个选项,因为没有什么能保证元数据的一致性。