Python 按维度名称提取netcdf4变量切片
我有一个4维的netCDF文件。我想通过给出一个维度的名称,从netCDF文件中提取一个切片 我知道如何根据位置来做这件事。例如Python 按维度名称提取netcdf4变量切片,python,netcdf,Python,Netcdf,我有一个4维的netCDF文件。我想通过给出一个维度的名称,从netCDF文件中提取一个切片 我知道如何根据位置来做这件事。例如 from netCDF4 import Dataset hndl_nc = Dataset(path_to_nc) # Access by slice hndl_nc.variables['name_variable'][:,5,:,:] 假设我知道维度的名称,比如A,B,C,D。如何按维度名称而不是位置进行访问?您可以使用的索引功能按维度名称访问netcdf数据
from netCDF4 import Dataset
hndl_nc = Dataset(path_to_nc)
# Access by slice
hndl_nc.variables['name_variable'][:,5,:,:]
假设我知道维度的名称,比如A
,B
,C
,D
。如何按维度名称而不是位置进行访问?您可以使用的索引功能按维度名称访问netcdf数据
import xarray as xr
ds = xr.open_dataset('./foo.nc')
var = ds['name_variable']
# Slice var by Dimension "A" between values 0 and 5
var_slice = var.sel(A=slice(0,5))
您可以使用的索引功能按维度名称访问netcdf数据
import xarray as xr
ds = xr.open_dataset('./foo.nc')
var = ds['name_variable']
# Slice var by Dimension "A" between values 0 and 5
var_slice = var.sel(A=slice(0,5))
目前最接近的解决方案似乎是
np.take(nc4_variable[:],dim_ids,axis=dim)
或
其中,dim\u id
是切片的列表或元组,dim
是要沿其切片的维度。不幸的是,这似乎是首先加载整个数据集,而且似乎没有办法解决这个问题;[:]
是必需的。在第一种方法中忽略它,从添加偏移量
,填充值
等参数加载数据而不进行调整;在第二种方法中忽略它会产生错误
在Ipython中使用%timeit
进行测试,确认了正常切片和np.take
方法之间的主要差异
希望有人能给出一个更完整的答案;对于不同的数据集非常有用 目前最接近的解决方案似乎是
np.take(nc4_variable[:],dim_ids,axis=dim)
或
其中,dim\u id
是切片的列表或元组,dim
是要沿其切片的维度。不幸的是,这似乎是首先加载整个数据集,而且似乎没有办法解决这个问题;[:]
是必需的。在第一种方法中忽略它,从添加偏移量
,填充值
等参数加载数据而不进行调整;在第二种方法中忽略它会产生错误
在Ipython中使用%timeit
进行测试,确认了正常切片和np.take
方法之间的主要差异
希望有人能给出一个更完整的答案;对于不同的数据集非常有用 所以,我可能已经想出了一些可以作为“解决方案”的东西 numpy数组显然可以用一个iterables的单例列表进行索引,例如
a = np.reshape(range(0,16),(4,4),order='F')
a = a[ [[0,1], [1]] ]
返回a
等于数组([4,5])
。另一个例子是[[range(3),[12],3]]
。这些单例列表以*下标的方式展开,就好像您直接查询了a[[0,1],1]
而不是a[[0,1],1]
因此,如果您能够查询netCDF变量中每个维度的位置和长度(使用nc_fid[var].dimension
和nc_fid[var].shape非常简单),那么您可以根据每个维度的位置简单地排列一个列表。例如,如果您有按lon按lat计算的形状时间数据,并且您想要所有经度,所有经度,以及时间索引t=5
,您可以使用
order_want = ['lon', 'lat', 'time'] # must figure out dimension names a priori
nlon = nc_fid[var].shape[nc_fid[var].dimensions.index('lon')]
nlat = nc_fid[var].shape[nc_fid[var].dimensions.index('lat')]
ids = [ range(0,nlon), range(0,nlat), 5 ]
ids_permute = [order_want.index(n) for n in nc_fid[var].dimensions]
ids_query = [l[i] for l,i in zip(ids,ids_permute)]
sliced_data = nc_fid[var][list_query]
这不需要维度位置的先验知识,也不需要加载变量的所有维度
请注意,在IPython中进行一些%timeit
测试后,似乎所有整数索引都有一些特殊延迟,例如list\u query=[0,0,0]
将花费80ms而list\u query=[range(1),0,0,0]
甚至list\u query=[0,1,2,3,4,5],0,0]
将花费1ms。非常神秘;无论如何,显然你应该确保list\u query
不仅仅是一个整数列表。所以,我可能已经想出了一些可以作为“解决方案”的东西
numpy数组显然可以用一个iterables的单例列表进行索引,例如
a = np.reshape(range(0,16),(4,4),order='F')
a = a[ [[0,1], [1]] ]
返回a
等于数组([4,5])
。另一个例子是[[range(3),[12],3]]
。这些单例列表以*下标的方式展开,就好像您直接查询了a[[0,1],1]
而不是a[[0,1],1]
因此,如果您能够查询netCDF变量中每个维度的位置和长度(使用nc_fid[var].dimension
和nc_fid[var].shape非常简单),那么您可以根据每个维度的位置简单地排列一个列表。例如,如果您有按lon按lat计算的形状时间数据,并且您想要所有经度,所有经度,以及时间索引t=5
,您可以使用
order_want = ['lon', 'lat', 'time'] # must figure out dimension names a priori
nlon = nc_fid[var].shape[nc_fid[var].dimensions.index('lon')]
nlat = nc_fid[var].shape[nc_fid[var].dimensions.index('lat')]
ids = [ range(0,nlon), range(0,nlat), 5 ]
ids_permute = [order_want.index(n) for n in nc_fid[var].dimensions]
ids_query = [l[i] for l,i in zip(ids,ids_permute)]
sliced_data = nc_fid[var][list_query]
这不需要维度位置的先验知识,也不需要加载变量的所有维度
请注意,在IPython中进行一些%timeit
测试后,似乎所有整数索引都有一些特殊延迟,例如list\u query=[0,0,0]
将花费80ms而list\u query=[range(1),0,0,0]
甚至list\u query=[0,1,2,3,4,5],0,0]
将花费1ms。非常神秘;无论如何,显然您应该确保list\u query
不仅仅是一个整数列表