如何在不覆盖整个内容的情况下向现有DataArray
添加新的Dataset
?新的DataArray
与现有的坐标共享一些坐标,但是也有新的坐标。在我当前的实现中,Dataset
被完全覆盖,而不仅仅是添加新内容。
现有的DataArray
是一堆怪异的DirectoryStore
(尽管我对S3商店也有同样的问题)。
import numpy as np
import xarray as xr
import zarr
arr1 = xr.DataArray(np.random.randn(2, 3),
[('x', ['a', 'b']), ('y', [10, 20, 30])],
name='arr1')
ds = arr1.chunk({'x': 1, 'y': 3}).to_dataset()
ds
看起来像这样:
<xarray.Dataset>
Dimensions: (x: 2, y: 3)
Coordinates:
* x (x) <U1 'a' 'b'
* y (y) int64 10 20 30
Data variables:
arr1 (x, y) float64 dask.array<shape=(2, 3), chunksize=(1, 3)>
我将其写入目录存储:
store = zarr.DirectoryStore('test.zarr')
z = ds.to_zarr(store, group='arr', mode='w')
看起来不错:
$ ls -l test.zarr/arr
total 0
drwxr-xr-x 6 myuser mygroup 204 Sep 21 11:03 arr1
drwxr-xr-x 5 myuser mygroup 170 Sep 21 11:03 x
drwxr-xr-x 5 myuser mygroup 170 Sep 21 11:03 y
我创建一个新的DataArray
,它与现有坐标共享一些坐标,并将其添加到现有Dataset
中。我将首先阅读现有的Dataset
,因为这是我在实践中正在做的事情。
ds2 = xr.open_zarr(store, group='arr')
arr2 = xr.DataArray(np.random.randn(2, 3),
[('x', arr1.x), ('z', [1, 2, 3])],
name='arr2')
ds2['arr2'] = arr2
更新后的Dataset
看起来不错:
<xarray.Dataset>
Dimensions: (x: 2, y: 3, z: 3)
Coordinates:
* x (x) <U1 'a' 'b'
* y (y) int64 10 20 30
* z (z) int64 1 2 3
Data variables:
arr1 (x, y) float64 dask.array<shape=(2, 3), chunksize=(1, 3)>
arr2 (x, z) float64 0.4728 1.118 0.7275 0.4971 -0.3398 -0.3846
...但是如果没有完全覆盖,我将无法写入。
# I think I'm "appending" to the group `arr`
z2 = ds2.to_zarr(store, group='arr', mode='a')
这给了我ValueError: The only supported options for mode are 'w' and 'w-'.
# I think I'm "creating" the new arr2 array in the arr group
z2 = ds2.to_zarr(store, group='arr', mode='w-')
这给了我ValueError: path 'arr' contains a group
。
唯一起作用的是z2 = ds2.to_zarr(store, group='arr', mode='w')
,但这完全覆盖了该组。
原来的DataArray
实际上在我的问题中很大,因此我真的不想重写它。 有没有办法只编写新的DataArray
?
谢谢!
答案 0 :(得分:1)
这个问题发布已经有一段时间了 - 但也许它仍然对某人有帮助(对我来说是!)
0.16.2
的 xarray
版本向 to_zarr
引入了关键字区域,它允许您写入 zarr 文件的有限区域。这似乎使您能够向现有数据集添加新变量,而无需完全覆盖它。
我的解决方案是在您将 ds
写入 zarr 并在内存中创建新的 ds2
之后,就在写回之前。
首先,我将每个 zarr 内容的修改次保留在字典中,以在第二次写入后检查是否确实没有任何变化:
import os
import glob
mtimes = {}
contents = list(glob.glob("test.zarr/arr/*"))
for c in contents:
mtimes.update({c: os.path.getmtime(c)})
现在我可以写回新变量了。要使用 region
关键字,我需要删除已经存在的所有变量,并且两个变量都相同:
ds2_dropped = ds2.drop(["x", "y", "z", "arr1"])
现在我可以编写新变量并检查修改时间是否确实没有任何变化:
ds2_dropped.to_zarr("test.zarr/", mode="a", group='arr', region={"x": slice(0, ds2.x.size), "z": slice(0, ds2.z.size)})
for c in contents:
assert os.path.getmtime(c) == mtimes[c]
# all good!
如果我们再次从 zarr 加载数据集,我们可以看到新变量已成功添加:
print(xr.open_zarr("test.zarr/", group="arr"))
<xarray.Dataset>
Dimensions: (x: 2, y: 3, z: 3)
Coordinates:
* x (x) <U1 'a' 'b'
* y (y) int64 10 20 30
Dimensions without coordinates: z
Data variables:
arr1 (x, y) float64 dask.array<chunksize=(1, 3), meta=np.ndarray>
arr2 (x, z) float64 dask.array<chunksize=(2, 3), meta=np.ndarray>
答案 1 :(得分:0)
不幸的是,据我所知,目前尚不可能。附加模式下的to_zarr
用于将新条目添加到维度,而不是将变量添加到已写入的条目。
@davidbrochart在原始MR中为用例写了一个不错的example:
import xarray as xr
import pandas as pd
ds0 = xr.Dataset({'temperature': (['time'], [50, 51, 52])}, coords={'time': pd.date_range('2000-01-01', periods=3)})
ds1 = xr.Dataset({'temperature': (['time'], [53, 54, 55])}, coords={'time': pd.date_range('2000-01-04', periods=3)})
ds0.to_zarr('temp')
ds1.to_zarr('temp', mode='a', append_dim='time')
ds2 = xr.open_zarr('temp')
您会看到ds2
是时间维度上ds0
和ds1
的串联版本。
好消息是,可以直接与zarr商店进行交互。如果看一下xarray uses的实现,您会发现实际上在基础zarr库中添加新变量是有可能的。但是,这未在xarray API中实现。