Python 正在寻找在3600x20x20的xarray中查找阈值之间的值的最快方法

我想计算平均温度介于两个值（比如293K和303K）之间的天数。这需要针对大约10000x20x20的大型阵列（时间、纬度、经度）进行计算。在这种规模下，代码的效率成为一个问题。我知道循环效率很低，但我还没有想到另一种编码方法

简而言之，我正在寻找一段比我在下面插入的代码更有效的代码。欢迎任何提示或参考

（除上述内容外，我对python还是一个新手，因此我们将非常感谢您提供的任何反馈！）

首先，我有三个嵌套循环（

对于I

。

对于j

。

对于k

），但这花费了大约100倍的时间。使用

1*（布尔值）

证明更有效。我现在正试图摆脱我的最后一个循环（

for I

）。速度非常重要，因为此脚本将包含在交互式web应用程序中

将xarray作为xr导入
将numpy作为np导入
导入时间
#首先构造一个维度为纬度、经度和时间的温度数据数组
da_t1=xr.DataArray（[[290295300305295]，
[295, 295, 305, 295, 290],
[300, 300, 300, 305, 295],
[290, 295, 300, 305, 295],
[290, 295, 300, 305, 295]],
dims=['lat'，'lon']，
坐标={'lat'：[-5，-2.5,0,2.5,5]，'lon'：[33,35,37,39,41]}）
da_t2=xr.DataArray（[[295295305295295295]，
[295, 295, 305, 295, 290],
[300, 300, 300, 305, 295],
[290, 300, 300, 305, 305],
[290, 285, 285, 285, 295]],
dims=['lat'，'lon']，
坐标={'lat'：[-5，-2.5,0,2.5,5]，'lon'：[33,35,37,39,41]}）
da=xr.concat（[da_t1，da_t2]，“时间”）
#创建一个零数组，以跟踪每个单元格在特定温度范围内的天数
零=da[0]
零点值=np零点（（da.sizes['lat']，da.sizes['lon']））
#循环遍历时间步长和单元格，以计算每个单元格在温度范围内的天数
交易额=（293303）
#这是可以使用更快性能的部分
开始=时间。时间（）
对于范围（0，（len（da.time））内的i：
int_array=1*（da.values[i]>=trange[0]）*（da.values[i]只需使用元素级布尔/逻辑索引，如

in_between = np.logical_and(da.values[i] >= trange[0], da.values[i] <= trange[1])

sum_in_between = np.count_nonzero(in_between) # True = 1, False = 0

in\u between=np.logical\u和（da.values[i]>=trange[0]，da.values[i]我的方法是

((da >= trange[0]) & (da <= trange[1])).sum(axis=0)

感谢您的回复！我正在寻找类似的内容，但是每个索引的总和。
sum\u in\u between
返回所有单元格/元素组合范围内的天数。请查看axis关键字np.count\u zero，以及np.bincount，np.where，np.digitized。其中一个应该适合您的需要。我正在研究它。然而，这个解决方案仍然有
for i..
循环。你认为这是不可避免的吗？谢谢，这正是我所需要的。计算时间减少了20倍，太棒了！不客气，我很高兴它有帮助。但是，我仍然对你计时结果的实际数字感兴趣，因为我测量了一个事实r 200.对于10000x20x20数据数组，您的代码需要大约450ms，上述解决方案需要大约2ms。有关结果，请参阅我的编辑。补充：如果您不使用
astype（int）
您甚至更快一点-这里不需要，显然转换是在动态总结时完成的。当然，这不是额外的因素，而是大约25%…请参阅我的编辑；计时很快就会到来。使用您使用的代码，我得到类似的结果：对于循环，每个循环297 ms±6.72 ms（平均±标准偏差为7次运行，每个循环10次），每个循环的总和为1.68 ms±26.2µs（平均±标准偏差为7次运行，每个循环10次）。我之前可能误读了0。无论如何，再次感谢！
# <xarray.DataArray (lat: 5, lon: 5)>
# array([[1, 2, 1, 1, 2],
#        [2, 2, 0, 2, 0],
#        [2, 2, 2, 0, 2],
#        [0, 2, 2, 0, 1],
#        [0, 1, 1, 0, 2]])
# Coordinates:
#   * lat      (lat) float64 -5.0 -2.5 0.0 2.5 5.0
#   * lon      (lon) int32 33 35 37 39 41

import xarray as xr
import numpy as np

da_big = xr.DataArray(np.random.randint(290, 305, (10000, 5, 5)),
              dims=['time', 'lat', 'lon'],
              coords={'lat': [-5, -2.5, 0, 2.5, 5], 'lon': [33, 35, 37, 39, 41]})

def OP(darr, trange = (293,303)):
    zeros = darr[0]
    zeros.values = np.zeros((darr.sizes['lat'], darr.sizes['lon']))

    for i in range(0, (len(darr.time))):
        int_array = 1*(darr.values[i] >= trange[0]) * (darr.values[i] <= trange[1])
        zeros = zeros + int_array

    return zeros.values
def SumAxis(darr, trange = (293,303)):
    return ((darr >= trange[0]) & (darr <= trange[1])).sum(axis=0)

%timeit -n10 OP(da_big)
%timeit -n10 SumAxis(da_big)

# 466 ms ± 13.9 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
# 1.89 ms ± 151 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)