在巨大的xarray.dataarray中随机掩盖/设置NAN X％的NAN X％

Question

我有一个巨大(约20亿个数据点(xarray.DataArray。我想随机删除(掩码或用np.nan替换(一个给定百分比的数据，其中每个坐标中要选择的每个数据点的概率都是相同的。我可以将数组转换为 numpy.array，但最好将其保存在dask块中以速度。

我的数据看起来像这样：

>> data
<xarray.DataArray 'stack-820860ba63bd07adc355885d96354267' (variable: 8, time: 228, latitude: 721, longitude: 1440)>
dask.array<stack, shape=(8, 228, 721, 1440), dtype=float64, chunksize=(1, 6, 721, 1440)>
Coordinates:
* latitude   (latitude) float32 90.0 89.75 89.5 89.25 89.0 88.75 88.5 ...
* variable   (variable) <U5 u'fal' u'swvl1' u'swvl3' u'e' u'swvl2' u'es' 
* longitude  (longitude) float32 0.0 0.25 0.5 0.75 1.0 1.25 1.5 1.75 2.0 
* time       (time) datetime64[ns] 2000-01-01 2000-02-01 2000-03-01 ...

我定义了

frac_missing = 0.2
k = int(frac_missing*data.size)

这是我已经尝试的：

• 该解决方案可与np.ndindex一起使用，但np.ndindex对象转换为非常慢的列表。我尝试绕过转换，并简单地在此处和此处描述的np.ndindex对象进行迭代，但是在整个迭代器上进行迭代的数据点很慢。
• np.random.choice(data.stack(newdim=('latitude','variable','longitude','time')),k,replace=False)返回所需的数据点子集，但没有将它们设置为Nan

预期的输出将是xarray.DataArray，具有设置为np.nan或蒙版的给定百分比，最好是相同的形状和相同的Dask块。

Answer 1

用户545424的建议是一个很好的开始。为了不遇到内存问题，您可以将其放入小的用户定义函数中，并使用方法apply_ufunc将其映射到数据隔间。

import xarray as xr
import numpy as np
testdata = xr.DataArray(np.empty((100,1000,1000)), dims=['x','y','z'])
def set_random_fraction_to_nan(data):
    data[np.random.rand(*data.shape) < .8]=np.nan
    return data
# Set 80% of data randomly to nan
testdata = xr.apply_ufunc(set_random_fraction_to_nan, testdata, input_core_dims=[['x','y','z']],output_core_dims=[['x','y','z']], dask='parallelized')

有关包装自定义功能与Xarray一起使用的更多解释，请参见此处。