Question

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！

Answer 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>

Answer 2

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。

在不重写整个数据集的情况下将新的Xarray DataArray添加到现有的Zarr存储中？

2 个答案: