我计划在我正在编写的一些数字密集型科学代码中广泛使用 xarray。到目前为止，它使代码非常优雅，但我认为我将不得不放弃它，因为性能成本太高了。
这是一个示例，它创建两个数组并使用 xarray（具有多个索引方案）和 numpy 将它们的一部分相乘。我使用了 num_comp=2 和 num_x=10000：
Line # Hits Time Per Hit % Time Line Contents
4 @profile
5 def xr_timing(num_comp, num_x):
6 1 4112 4112.0 10.1 da1 = xr.DataArray(np.random.random([num_comp, num_x]).astype(np.float32), dims=['component', 'x'], coords={'component': ['a', 'b'], 'x': np.linspace(0, 1, num_x)})
7 1 438 438.0 1.1 da2 = da1.copy()
8 1 1398 1398.0 3.4 da2[:] = np.random.random([num_comp, num_x]).astype(np.float32)
9 1 7148 7148.0 17.6 da3 = da1.isel(component=0).drop('component') * da2.isel(component=0).drop('component')
10 1 6298 6298.0 15.5 da4 = da1[dict(component=0)].drop('component') * da2[dict(component=0)].drop('component') …是否也可以创建一个核外 DataArray，并使用 xarray 将其逐块写入 NetCDF4 文件？
例如，当维度更大时，我希望能够以核外方式执行此操作，因此我无法将整个数组存储在内存中：
num_steps = 20
num_times = 100
#Create DataArray
d = xr.DataArray(np.zeros([num_steps, num_times], np.float32),
{'Step': np.arange(num_steps),
'Time': np.arange(num_times)},
('Step', 'Time'))
#Computatation
for i in range(num_steps):
d[i, :] = i
#Write to file
d.to_netcdf('test.nc')
所以我不想在内存中创建整个 NumPy 数组，我希望计算和写入文件阶段一次完成一个块（在本例中在 Step 维度上分块）。
更新：似乎（来自@jhamman 的回答）可能无法使用 xarray 实现我上面的示例。我的主要兴趣是加深对 xarray 的核外计算的理解，所以我没有要问的特定计算，但是，由于有人要求我提供一个更复杂的示例，因此我有一个潜在的应用程序有是：
for i in range(num_steps):
u[:] = f(u)
s[:] = g(s)
d[i, :] = u[:] * s[:]
其中u和s是维时间xr.DataArrays，和f和g是PDE求解器仅依赖来自前面步骤的输入阵列上。假设有 1000 步，但 Time 维度太大，我只能在内存中存储一两个，因此d …