xarray 數據處理教程：從入門到精通

一、簡介

xarray 是 Python 中用于處理多維數組數據的庫，特別適用于帶有標簽（坐標）的科學數據（如氣象、海洋、遙感等）。它基于 NumPy 和 Pandas，支持高效的數據操作、分析和可視化。

核心優勢

• 標簽化操作：通過維度名和坐標直接訪問數據，無需記憶索引位置。
• 多維支持：天然支持多維數組（如時間、緯度、經度）。
• 集成工具：內置 NetCDF、HDF5 等格式讀寫，支持 Dask 處理大文件。
• 可視化：與 Matplotlib 深度集成，簡化數據繪圖流程。

---

二、安裝與導入

1. 安裝

pip install xarray netCDF4 dask rioxarray

或使用 Conda：

conda install -c conda-forge xarray netCDF4 dask rioxarray

2. 導入庫

import xarray as xr
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

---

三、數據結構

（一）DataArray

• 定義：帶坐標的 N 維數組，類似帶標簽的 NumPy 數組。
• 示例代碼

import xarray as xr
import numpy as npdata = np.random.rand(12, 5, 100, 200)
coords = {'time': np.arange(12),'sample': np.arange(5),'lat': np.linspace(-90, 90, 100),'lon': np.linspace(-180, 180, 200)
}
da = xr.DataArray(data, dims=['time', 'sample', 'lat', 'lon'], coords=coords)

• 輸出結果

<xarray.DataArray (time: 12, sample: 5, lat: 100, lon: 200)>
array([[[[...]],  # 12個時間步 × 5個樣本 × 100緯度 × 200經度的隨機值...,[[...]]],...,[[...]]])
Coordinates:* time      (time) int64 0 1 2 ... 11* sample    (sample) int64 0 1 2 3 4* lat       (lat) float64 -90.0 -89.1 -88.2 ... 88.2 89.1 90.0* lon       (lon) float64 -180.0 -179.1 -178.2 ... 178.2 179.1 180.0

• 表1：數據結構DataArray

操作/方法	功能	輸入參數	輸出參數
xarray.DataArray	創建帶有維度和坐標的多維數組（如海溫數據）	data: 數組數據；dims: 維度名列表；coords: 坐標字典	生成的 xarray.DataArray 對象

（二） Dataset

• 定義：類似字典的容器，包含多個 DataArray（變量），共享坐標。

• 表：xarray.Dataset 操作總結

操作/方法	功能	輸入參數	輸出參數
xr.Dataset	創建多變量數據集	變量字典、坐標字典	xarray.Dataset 對象
.sel() / .isel()	按標簽或索引選擇數據	維度名和值	子數據集或子數組
.mean() / .std()	計算維度統計量	需求平均的維度名	統計后的數據集或數據數組
.to_netcdf()	保存為 NetCDF 文件	文件路徑和寫入模式	無返回值（保存文件）
xr.open_dataset()	讀取 NetCDF 文件	文件路徑和讀取引擎	xarray.Dataset 對象
.merge()	合并兩個數據集	另一個 Dataset 對象	合并后的 xarray.Dataset
.apply()	應用自定義函數	自定義函數和輸入維度	應用后的數據集
.chunk()	設置數據分塊	分塊大小字典	分塊后的 xarray.Dataset

• 創建示例：

import xarray as xr
import numpy as np
import pandas as pdds = xr.Dataset({"temperature": (["time", "lat", "lon"], np.random.rand(3, 10, 20)),"humidity": (["time", "lat", "lon"], np.random.rand(3, 10, 20)),},coords={"time": pd.date_range("2025-01-01", periods=3),"lat": np.linspace(-90, 90, 10),"lon": np.linspace(-180, 180, 20),}
)

• 輸出結果：

<xarray.Dataset>
Dimensions:     (time: 3, lat: 10, lon: 20)
Coordinates:* time        (time) datetime64[ns] 2025-01-01 2025-01-02 ...* lat         (lat) float64 -90.0 -81.0 ... 81.0 90.0* lon         (lon) float64 -180.0 -171.0 ... 171.0 180.0
Data variables:temperature (time, lat, lon) float64 0.1234 0.5678 ...humidity    (time, lat, lon) float64 0.9876 0.4321 ...

（三）關鍵說明

1. Dataset vs DataArray：
   • xarray.Dataset 適合處理多變量數據（如溫度、濕度、降水）。
   • xarray.DataArray 適合單一變量的多維數組操作。
2. 工作流示例：

   # 讀取數據并選擇子集
   ds = xr.open_dataset("data.nc")
   subset = ds.sel(lat=slice(-90, -60), lon=slice(-180, -120))# 計算統計量并保存
   mean_ds = subset.mean(dim="time")
   mean_ds.to_netcdf("mean_data.nc")
   

---

四、數據操作

（一）索引與切片

表：索引與切片

操作/方法	功能	輸入參數	輸出參數
.isel() / .sel()	快速提取特定維度數據	isel: 按索引提取；sel: 按坐標標簽提取	提取后的子數組（xarray.DataArray）

1. 基于標簽選擇（.sel()）

場景：從數據集中提取特定時間步和緯度范圍的數據。

subset = ds.sel(time="2025-01-01", lat=-90)

輸出結果：

<xarray.Dataset>
Dimensions:     (lat: 1, lon: 20)
Coordinates:time        datetime64[ns] 2025-01-01lat         float64 -90.0lon         (lon) float64 -180.0 -171.0 ... 171.0 180.0
Data variables:temperature (lon) float64 0.1234 0.5678 ...humidity    (lon) float64 0.9876 0.4321 ...

2. 基于位置選擇（.isel()）

場景：從數據集中提取第一個時間步和前三個緯度的數據。

# 按索引位置選擇數據
subset_isel = ds.isel(time=0, lat=slice(0, 3))

輸出結果：

<xarray.Dataset>
Dimensions:     (time: 1, lat: 3, lon: 20)
Coordinates:time        datetime64[ns] 2025-01-01* lat         (lat) float64 -90.0 -76.36 -62.73* lon         (lon) float64 -180.0 -171.0 ... 171.0 180.0
Data variables:temperature (time, lat, lon) float64 0.1234 0.5678 ...

3. .sel() 和 .isel() 聯合使用

場景：結合標簽和索引選擇數據（例如，選擇特定時間步和固定經度索引）。

# 按時間標簽和經度索引選擇數據
subset_mixed = ds.sel(time="2025-01-01").isel(lon=0)

輸出結果：

<xarray.Dataset>
Dimensions:     (time: 1, lat: 10, lon: 1)
Coordinates:time        datetime64[ns] 2025-01-01* lat         (lat) float64 -90.0 -81.0 ... 81.0 90.0lon         float64 -180.0
Data variables:temperature (time, lat, lon) float64 0.1234 0.5678 ...

---

4. 多維選擇與切片

場景：同時選擇多個維度（時間、緯度、經度）并使用切片操作。

# 按時間標簽、緯度范圍和經度切片選擇數據
subset_slice = ds.sel(time="2025-01-01",lat=slice(-90, -60),lon=slice(-180, -120)
)

輸出結果：

<xarray.Dataset>
Dimensions:     (time: 1, lat: 3, lon: 7)
Coordinates:time        datetime64[ns] 2025-01-01* lat         (lat) float64 -90.0 -76.36 -62.73* lon         (lon) float64 -180.0 -163.6 ... -126.3 -120.0
Data variables:temperature (time, lat, lon) float64 0.1234 0.5678 ...

5. 關鍵說明

1. .sel() vs .isel()：

   • .sel()：使用坐標標簽（如 time="2025-01-01"、lat=-90）進行選擇，適合已知具體坐標的場景。
   • .isel()：使用索引位置（如 time=0、lat=slice(0, 3)）進行選擇，適合已知數組索引的場景。

2. 切片操作：

   • 可以通過 slice(start, end) 實現對維度的范圍選擇（例如 lat=slice(-90, -60)）。
   • 切片是左閉右開的，即包含 start，不包含 end。

3. 多維聯合選擇：

   • 可以聯合使用 .sel() 和 .isel()，例如先按標簽選擇時間，再按索引選擇經度。
   • 也可以通過鏈式調用實現多步選擇（如 ds.sel(...).isel(...)）。

---

（二） 數據計算

1. 聚合運算

(1) 計算單個維度的平均值

場景：從數據集中計算時間維度（time）的平均值。

import xarray as xr
import numpy as np
import pandas as pd# 創建示例數據集
ds = xr.Dataset({"temperature": (["time", "lat", "lon"], np.random.rand(3, 10, 20)),"humidity": (["time", "lat", "lon"], np.random.rand(3, 10, 20)),},coords={"time": pd.date_range("2025-01-01", periods=3),"lat": np.linspace(-90, 90, 10),"lon": np.linspace(-180, 180, 20),}
)# 計算時間維度的平均值
mean_time = ds.mean(dim="time")

輸出結果：

<xarray.Dataset>
Dimensions:     (lat: 10, lon: 20)
Coordinates:* lat         (lat) float64 -90.0 -81.0 -72.0 ... 72.0 81.0 90.0* lon         (lon) float64 -180.0 -171.0 -162.0 ... 162.0 171.0 180.0
Data variables:temperature (lat, lon) float64 0.4567 0.8901 ...humidity    (lat, lon) float64 0.7654 0.3210 ...

---

(2) 計算多個維度的平均值

場景：從數據集中計算時間和緯度維度的平均值。

# 計算時間和緯度維度的平均值
mean_time_lat = ds.mean(dim=["time", "lat"])

輸出結果：

<xarray.Dataset>
Dimensions:     (lon: 20)
Coordinates:* lon         (lon) float64 -180.0 -171.0 -162.0 ... 162.0 171.0 180.0
Data variables:temperature (lon) float64 0.6789 ...humidity    (lon) float64 0.5432 ...

(3) 計算單個維度的標準差

場景：從數據集中計算緯度維度（lat）的標準差。

# 計算緯度維度的標準差
std_lat = ds.std(dim="lat")

輸出結果：

<xarray.Dataset>
Dimensions:     (time: 3, lon: 20)
Coordinates:* time        (time) datetime64[ns] 2025-01-01 ... 2025-01-03* lon         (lon) float64 -180.0 -171.0 -162.0 ... 162.0 171.0 180.0
Data variables:temperature (time, lon) float64 0.2345 0.6789 ...humidity    (time, lon) float64 0.3456 0.7890 ...

(4) 計算多個維度的標準差

場景：從數據集中計算時間和經度維度的標準差。

# 計算時間和經度維度的標準差
std_time_lon = ds.std(dim=["time", "lon"])

輸出結果：

<xarray.Dataset>
Dimensions:     (lat: 10)
Coordinates:* lat         (lat) float64 -90.0 -81.0 -72.0 ... 72.0 81.0 90.0
Data variables:temperature (lat) float64 0.1234 ...humidity    (lat) float64 0.4567 ...

(5) 忽略缺失值計算統計量

場景：數據集中包含缺失值（NaN），需要在計算時跳過缺失值。

# 創建包含缺失值的數據集
ds_nan = xr.Dataset({"temperature": (["time", "lat", "lon"], np.random.rand(3, 10, 20)),},coords={"time": pd.date_range("2025-01-01", periods=3),"lat": np.linspace(-90, 90, 10),"lon": np.linspace(-180, 180, 20),}
)# 隨機插入缺失值
ds_nan.temperature.values[0, 0, 0] = np.nan# 計算時間維度的平均值（跳過缺失值）
mean_time_skipna = ds_nan.mean(dim="time", skipna=True)

輸出結果：

<xarray.Dataset>
Dimensions:     (lat: 10, lon: 20)
Coordinates:* lat         (lat) float64 -90.0 -81.0 -72.0 ... 72.0 81.0 90.0* lon         (lon) float64 -180.0 -171.0 -162.0 ... 162.0 171.0 180.0
Data variables:temperature (lat, lon) float64 0.4567 0.8901 ...

---

(6) 關鍵說明

1. .mean() 和 .std() 的區別：

   • .mean()：計算指定維度的平均值。
   • .std()：計算指定維度的標準差，默認為樣本標準差（ddof=1）。

2. 維度選擇：

   • 可以指定單個維度（如 dim="time"）或多個維度（如 dim=["time", "lat"]）。
   • 維度減少后，輸出數據集的維度會相應調整（如從 (time, lat, lon) 變為 (lat, lon)）。

3. 缺失值處理：

   • 通過 skipna=True 可以跳過缺失值（NaN）進行計算，避免因缺失值導致整個統計結果為 NaN。

2. 算術運算

# 溫度乘以 2，降水加 10
new_ds = ds * 2 + 10

3. 數據重塑

總結表格

操作/方法	功能	輸入參數	輸出參數
.stack()	將多個維度堆疊成一個新維度	new_dim_name: 新維度名；dim: 原始維度列表	維度被堆疊后的 xarray.Dataset
.transpose()	調整維度順序（不改變維度數量）	*dims: 新維度順序	維度順序調整后的 xarray.Dataset

---

(1) .stack()：將多個維度堆疊成一個新維度

場景：將 lat 和 lon 維度堆疊成一個名為 space 的新維度。
示例代碼

import xarray as xr
import numpy as np
import pandas as pd# 創建示例數據集
ds = xr.Dataset({"temperature": (["time", "lat", "lon"], np.random.rand(3, 10, 20)),},coords={"time": pd.date_range("2025-01-01", periods=3),"lat": np.linspace(-90, 90, 10),"lon": np.linspace(-180, 180, 20),}
)# 將 lat 和 lon 堆疊成 space 維度
stacked_ds = ds.stack(space=["lat", "lon"])

輸出結果：

<xarray.Dataset>
Dimensions:     (time: 3, space: 200)
Coordinates:* time        (time) datetime64[ns] 2025-01-01 2025-01-02 ...space       (space) MultiIndex- lat     (space) float64 -90.0 -90.0 ... 90.0 90.0- lon     (space) float64 -180.0 -171.0 ... 171.0 180.0
Data variables:temperature (time, space) float64 0.1234 0.5678 ...

---

(2) .transpose()：調整維度順序

場景：將 time, lat, lon 的維度順序調整為 lon, lat, time。
示例代碼:

# 調整維度順序
transposed_ds = ds.transpose("lon", "lat", "time")

輸出結果：

<xarray.Dataset>
Dimensions:     (lon: 20, lat: 10, time: 3)
Coordinates:* lon         (lon) float64 -180.0 -171.0 ... 171.0 180.0* lat         (lat) float64 -90.0 -81.0 ... 81.0 90.0* time        (time) datetime64[ns] 2025-01-01 2025-01-02 ...
Data variables:temperature (lon, lat, time) float64 0.1234 0.5678 ...

(3) .stack() + .transpose() 聯合使用

場景：先將 lat 和 lon 堆疊成 space，再調整維度順序為 space, time。
示例代碼:

# 堆疊后調整維度順序
stacked_transposed_ds = ds.stack(space=["lat", "lon"]).transpose("space", "time")

輸出結果：

<xarray.Dataset>
Dimensions:     (space: 200, time: 3)
Coordinates:space       (space) MultiIndex- lat     (space) float64 -90.0 -90.0 ... 90.0 90.0- lon     (space) float64 -180.0 -171.0 ... 171.0 180.0* time        (time) datetime64[ns] 2025-01-01 2025-01-02 ...
Data variables:temperature (space, time) float64 0.1234 0.5678 ...

---

(4) 關鍵說明

1. .stack() vs .transpose()：

   • .stack()：減少維度數量，將多個維度合并為一個新維度（如 lat 和 lon → space）。
   • .transpose()：不改變維度數量，僅調整維度的排列順序（如 time, lat, lon → lon, lat, time）。

2. 應用場景：

   • .stack()：
     • 將多維數據轉換為二維，便于進行某些計算（如機器學習模型輸入）。
     • 簡化高維數據的可視化（如將 lat 和 lon 合并為 space 后繪圖）。
   • .transpose()：
     • 調整數據維度順序以匹配其他數據集或模型的輸入格式。
     • 提高代碼可讀性，使維度順序更符合邏輯（如先經度后緯度）。

3. 注意事項：

   • .stack() 會生成 MultiIndex，可通過 .unstack() 恢復原始維度。
   • .transpose() 不會修改原始數據，而是返回一個新對象（惰性操作）。

4. 數據聚合

操作/方法	功能	輸入參數	輸出參數
.groupby() / .mean()	按維度分組計算均值	group: 分組維度（如 time.month）；dim: 聚合維度	聚合后的 xarray.DataArray
.resample()	時間序列重采樣（如日→月）	freq: 重采樣頻率（如 MS 表示月初）；dim: 時間維度名	重采樣后的 xarray.DataArray

示例代碼

# 按月份分組計算均值
monthly_mean = da.groupby("time.month").mean(dim="time")# 時間序列重采樣（日→月）
monthly_resample = da.resample(time="MS").mean()

5. 合并兩個數據集

ds2 = xr.Dataset({"precipitation": (["time", "lat", "lon"], np.random.rand(3, 10, 20))})
ds_merged = ds.merge(ds2)

輸出結果：

<xarray.Dataset>
Dimensions:     (time: 3, lat: 10, lon: 20)
Coordinates:* time        (time) datetime64[ns] 2025-01-01 2025-01-02 ...* lat         (lat) float64 -90.0 -81.0 ... 81.0 90.0* lon         (lon) float64 -180.0 -171.0 ... 171.0 180.0
Data variables:temperature (time, lat, lon) float64 0.1234 0.5678 ...humidity    (time, lat, lon) float64 0.9876 0.4321 ...precipitation (time, lat, lon) float64 0.3456 0.7890 ...

6. 應用自定義函數

def custom_func(arr):return arr.max() - arr.min()ds_custom = ds.apply(custom_func)

輸出結果：

<xarray.Dataset>
Dimensions:     (time: 3, lat: 10, lon: 20)
Coordinates:* time        (time) datetime64[ns] 2025-01-01 2025-01-02 ...* lat         (lat) float64 -90.0 -81.0 ... 81.0 90.0* lon         (lon) float64 -180.0 -171.0 ... 171.0 180.0
Data variables:temperature (time, lat, lon) float64 0.4321 0.8765 ...humidity    (time, lat, lon) float64 0.5432 0.9876 ...

---

五、數據可視化

表：可視化方法

操作/方法	功能	輸入參數	輸出參數
.plot()	快速可視化（等值線圖、色階圖）	x, y: 維度名；cbar_kwargs: 顏色條參數；transform: 投影轉換	matplotlib.axes.Axes 對象
.plot.scatter()	散點圖可視化	x, y: 維度名；c: 顏色變量；size: 點大小	matplotlib.axes.Axes 對象

• 示例代碼

# 繪制等值線圖
da.plot.contourf(x="lon", y="lat", cmap="viridis")# 繪制散點圖
da.plot.scatter(x="lon", y="lat", c="temperature", size="precipitation")

（一）二維分布圖

# 繪制溫度的空間分布
ds["temp"].isel(time=0).plot(cmap="viridis")
plt.title("Temperature Distribution")
plt.show()

（二）時間序列圖

# 繪制單個網格點的時間序列
ds["temp"].sel(lat=40, lon=100).plot.line(x="time")
plt.title("Temperature Time Series")
plt.show()

---

六、高級功能

（一） 缺失值處理

1. 填充缺失值

# 用 0 填充缺失值
filled_temp = ds["temp"].fillna(0)

2. 插值

# 使用線性插值填充缺失值
interpolated = ds["temp"].interpolate_na(dim="lat", method="linear")

（二） 時間重采樣

# 將日數據重采樣為月均值
monthly_mean = ds.resample(time="1M").mean()

（三）地理信息處理

1. 設置坐標系

import rioxarray
ds.rio.write_crs("EPSG:4326", inplace=True)  # 設置為 WGS84 坐標系

2. 繪制地理投影圖

import cartopy.crs as ccrs
ax = plt.axes(projection=ccrs.PlateCarree())
ds["temp"].isel(time=0).plot(ax=ax, transform=ccrs.PlateCarree())
ax.coastlines()
plt.show()

---

七、數據輸入與輸出

表：NetCDF 讀取與保存

操作/方法	功能	輸入參數	輸出參數
xr.open_dataset	讀取單個 NetCDF 文件	filename: 文件路徑；engine: 讀取引擎（如 netcdf4）	xarray.Dataset 對象
xr.to_netcdf	保存數據為 NetCDF 文件	filename: 保存路徑；mode: 寫入模式（如 w 表示覆蓋）	無返回值（直接寫入文件）
xr.open_mfdataset	批量讀取多文件數據集	paths: 文件路徑列表；engine: 讀取引擎（如 h5netcdf）；parallel: 是否并行讀取；preprocess: 預處理函數	合并后的 xarray.Dataset
xr.save_mfdataset	批量保存數據集到文件	datasets: 數據集列表；paths: 保存路徑列表；encoding: 變量編碼參數（如壓縮設置）	無返回值（直接寫入文件）

（一）讀取 NetCDF 文件

ds = xr.open_dataset("data.nc")  # 讀取單個文件
ds = xr.open_mfdataset("data/*.nc", combine="by_coords")  # 合并多個文件

示例代碼

# 批量讀取 NetCDF 文件
import xarray as xr
ds = xr.open_mfdataset("data/*.nc", engine="h5netcdf", parallel=True)# 批量保存數據集
xr.save_mfdataset([ds1, ds2], ["output1.nc", "output2.nc"], encoding={var: {"zlib": True}})

（二）保存數據

# 保存為 NetCDF 文件并啟用壓縮
ds.to_netcdf("output.nc", encoding={"temp": {"zlib": True}})

---

八、性能優化

表：數據分塊與性能優化

操作/方法	功能	輸入參數	輸出參數
.chunk()	設置數據分塊大小	chunks: 分塊字典（如 {"time": 10, "lat": 100}）	帶分塊的 xarray.DataArray
.compute()	觸發延遲計算	無	實際計算結果（xarray.DataArray 或 xarray.Dataset）

（一）分塊處理（Dask）

import dask.array as da
ds = ds.chunk({"time": 10})  # 將時間維度分塊

（二） 內存優化

• 使用 .persist() 或 .compute() 控制計算時機。
• 避免不必要的中間變量。

示例代碼

# 設置分塊
da_chunked = da.chunk({"time": 10, "lat": 100})# 觸發計算
result = da_chunked.mean().compute()

---

九、總結

（一）核心流程

1. 讀取數據 → 2. 訪問變量 → 3. 選擇/切片 → 4. 計算/分析 → 5. 保存/可視化

（二）關鍵優勢

• 標簽化操作：通過維度名和坐標直接訪問數據。
• 高效處理：支持多維數據、地理信息和大文件分塊。
• 易用性：與 Pandas、Matplotlib 無縫集成。

（三）注意事項

• 使用 .sel() 和 .isel() 時注意維度名稱和索引范圍。
• 大數據集需結合 Dask 分塊處理（.chunk()）。
• 保存時啟用壓縮（zlib=True）可減少文件體積。