Python 使用Xarray绘制二维数据需要惊人的长时间？

我正在使用xarray读取NetCDF文件。每个变量有4个维度（时间、水平、y、x）。读取变量后，我沿着（时间，lev）维度计算变量的平均值。经过计算，我得到变量QVAPOR\u mean，它是一个具有形状的二维变量（y:699，x:639）

Xarray只用了10微秒就读取了带有形状的数据（次：2918，lev:36，y:699，x:639）；但是花了超过 60分钟绘制形状数据的填充轮廓（y:699，x:639）

我想知道为什么Xarray要花费非常长的时间（超过60分钟）来绘制具有大小的阵列轮廓线（y:699，x:639）

我使用以下代码读取文件并执行计算

flnm=xr.open_mfdataset('./WRF_3D_2007_*.nc',chunks={'Times': 100})
QVAPOR_mean=flnm.QVAPOR.mean(dim=('Times','lev')
QVAPOR_mean.plot.imshow()

最后一个命令需要60多分钟才能完成。谢谢你的帮助。

---

谢谢

当您打开数据集并提供

chunks

参数时，xarray将返回一个由dask数组组成的

数据集。这些数组是“惰性地”（lazy）计算的。直到绘制数据后，才会触发计算。为了说明这一点，您可以在取平均值后显式加载数据：

flnm=xr.open_mfdataset('./WRF_3D_2007_*.nc',chunks={'Times': 100})
QVAPOR_mean=flnm.QVAPOR.mean(dim=('Times','lev').load()

现在您的
QVAPOR\u mean
变量由numpy数组而不是dask数组支持。绘制此阵列可能要快得多

但是，计算
平均值
可能仍需要相当长的时间。这里也有提高吞吐量的方法


尝试使用较大的块大小。我经常发现10-100Mb范围内的块大小表现最好

尝试其他计划程序。默认情况下，您使用的是dask的线程调度程序。由于netCDF/HDF的限制，这不允许从磁盘进行并行读取。我们发现
分布式
调度器在这些应用程序中运行良好

以GB为单位的总数据集有多大<代码>2918*36*699*639*8/2**30=350GB

？您可以使用块大小，但我不确定您可以期望有多大的改进。是的，大约为350GB。我已经在

时间
维度上丢弃了数据。计算速度很快，唯一的问题是绘图。Python用shape
（y:699，x:639）绘制数据的时间不应超过几秒钟。我想知道发生了什么事？