Python 如何加快xarray重采样（比pandas重采样慢得多）

这里是一个MWE，用于在

xarray

与

pandas

中对时间序列进行重新采样。

10Min

重采样在

xarray

中需要6.8秒，在

pandas

中需要0.003秒。有没有办法让大熊猫在沙雷加速？熊猫的重采样似乎与周期无关，而沙雷则随周期而变化

将numpy导入为np
将xarray作为xr导入
作为pd进口熊猫
导入时间
def制造商（频率）：
尺寸=100000
时间=局部放电日期范围（'2000-01-01'，周期=大小，频率=频率）
ds=xr.Dataset({
“foo”：xr.DataArray(
数据=np.随机。随机（大小），
dims=[“时间”]，
coords={'time'：times}
)})
返回ds
对于f in[“1s”、“1Min”、“10Min”]：
ds=制造（f）
开始=时间。时间（）
ds_r=ds.resample（{'time'：“1H”}）.mean（）
打印（f，'xr'，str（time.time（）-start））
开始=时间。时间（）
ds_r=ds.to_dataframe（）.重采样（“1H”）.平均值（）
打印（f，'pd'，str（time.time（）-start））

---

根据

xarray

这是一个实施问题。解决方案是在其他代码中进行重采样（实际上是

GroupBy

）。我的解决方案是使用快速熊猫重采样，然后重建xarray数据集：

df_h = ds.to_dataframe().resample("1H").mean()  # what we want (quickly), but in Pandas form
vals = [xr.DataArray(data=df_h[c], dims=['time'], coords={'time':df_h.index}, attrs=ds[c].attrs) for c in df_h.columns]
ds_h = xr.Dataset(dict(zip(df_h.columns,vals)), attrs=ds.attrs)

---

目前，还将xarray作为bug提交：

df_h = ds.to_dataframe().resample("1H").mean()  # what we want (quickly), but in Pandas form
vals = [xr.DataArray(data=df_h[c], dims=['time'], coords={'time':df_h.index}, attrs=ds[c].attrs) for c in df_h.columns]
ds_h = xr.Dataset(dict(zip(df_h.columns,vals)), attrs=ds.attrs)