dask - 将新的 Xarray DataArray 添加到现有的 Zarr 存储而不重写整个数据集?
问题描述
如何在不覆盖整个内容的情况下DataArray
向现有内容添加新内容?Dataset
新DataArray
的与现有的共享一些坐标,但也有新的坐标。在我当前的实现中,Dataset
被完全覆盖,而不是仅仅添加新的东西。
现有的DataArray
是一个分块的 zarr 支持DirectoryStore
(尽管我对 S3 商店有同样的问题)。
import numpy as np
import xarray as xr
import zarr
arr1 = xr.DataArray(np.random.randn(2, 3),
[('x', ['a', 'b']), ('y', [10, 20, 30])],
name='arr1')
ds = arr1.chunk({'x': 1, 'y': 3}).to_dataset()
ds
看起来像这样:
<xarray.Dataset>
Dimensions: (x: 2, y: 3)
Coordinates:
* x (x) <U1 'a' 'b'
* y (y) int64 10 20 30
Data variables:
arr1 (x, y) float64 dask.array<shape=(2, 3), chunksize=(1, 3)>
我将其写入目录存储:
store = zarr.DirectoryStore('test.zarr')
z = ds.to_zarr(store, group='arr', mode='w')
这看起来不错的样子:
$ ls -l test.zarr/arr
total 0
drwxr-xr-x 6 myuser mygroup 204 Sep 21 11:03 arr1
drwxr-xr-x 5 myuser mygroup 170 Sep 21 11:03 x
drwxr-xr-x 5 myuser mygroup 170 Sep 21 11:03 y
我创建了一个DataArray
与现有坐标共享一些坐标的新坐标,并将其添加到现有坐标中Dataset
。我会Dataset
先阅读现有的,因为这就是我在实践中所做的。
ds2 = xr.open_zarr(store, group='arr')
arr2 = xr.DataArray(np.random.randn(2, 3),
[('x', arr1.x), ('z', [1, 2, 3])],
name='arr2')
ds2['arr2'] = arr2
更新Dataset
后看起来不错:
<xarray.Dataset>
Dimensions: (x: 2, y: 3, z: 3)
Coordinates:
* x (x) <U1 'a' 'b'
* y (y) int64 10 20 30
* z (z) int64 1 2 3
Data variables:
arr1 (x, y) float64 dask.array<shape=(2, 3), chunksize=(1, 3)>
arr2 (x, z) float64 0.4728 1.118 0.7275 0.4971 -0.3398 -0.3846
...但是如果没有完全覆盖,我就无法写入它。
# I think I'm "appending" to the group `arr`
z2 = ds2.to_zarr(store, group='arr', mode='a')
这给了我一个ValueError: The only supported options for mode are 'w' and 'w-'.
# I think I'm "creating" the new arr2 array in the arr group
z2 = ds2.to_zarr(store, group='arr', mode='w-')
这给了我ValueError: path 'arr' contains a group
.
唯一有效的是z2 = ds2.to_zarr(store, group='arr', mode='w')
,但这完全覆盖了该组。
原文DataArray
在我的问题中其实相当大,所以我真的不想重写它。 有没有办法只写新的DataArray
?
谢谢!
解决方案
自从这个问题发布以来已经有一段时间了 - 但也许它仍然是对某人有帮助的相关广告(对我来说是!)
版本0.16.2
引入xarray
了关键字 region to to_zarr
,它可以让你写入一个 zarr 文件的有限区域。这似乎使您能够将新变量添加到现有数据集,而不会完全覆盖它。
我的解决方案在您写入ds
zarr 并ds2
在内存中创建新的之后,就在写回之前开始。
首先,我将每个 zarr 内容的修改时间保存在字典中,以便在第二次写入后检查是否确实没有任何变化:
import os
import glob
mtimes = {}
contents = list(glob.glob("test.zarr/arr/*"))
for c in contents:
mtimes.update({c: os.path.getmtime(c)})
现在我可以写回新变量了。要使用region
关键字,我需要删除任何已经存在并且对于两个变量都相同的变量:
ds2_dropped = ds2.drop(["x", "y", "z", "arr1"])
现在我可以编写新变量并检查修改时间,如果确实没有任何变化:
ds2_dropped.to_zarr("test.zarr/", mode="a", group='arr', region={"x": slice(0, ds2.x.size), "z": slice(0, ds2.z.size)})
for c in contents:
assert os.path.getmtime(c) == mtimes[c]
# all good!
如果我们再次从 zarr 加载数据集,我们可以看到新变量已成功添加:
print(xr.open_zarr("test.zarr/", group="arr"))
<xarray.Dataset>
Dimensions: (x: 2, y: 3, z: 3)
Coordinates:
* x (x) <U1 'a' 'b'
* y (y) int64 10 20 30
Dimensions without coordinates: z
Data variables:
arr1 (x, y) float64 dask.array<chunksize=(1, 3), meta=np.ndarray>
arr2 (x, z) float64 dask.array<chunksize=(2, 3), meta=np.ndarray>
推荐阅读
- asynchronous - 在 oneshot 通道中使用“DeserializedOwned”特征:对象安全错误
- python - sqlite3.OperationalError:在“WHERE”附近使用 NOT IN 子句
- javascript - NuxtJS 插件无法作为包导入
- electron - Electron NET 在 win10 中无法以生产模式运行
- oauth - 来自AuthCode 的Snoowrap 请求者返回API 错误:invalid_grant - undefined
- python - Apache Airflow - Python 能力问题
- python - 如何使用 python 将维基百科页面拆分为段落?
- c++ - 构建系统 (C++)
- python - 为什么 Mypy 在 __init__ 中分配已在类主体中类型提示的属性时不给出输入错误?
- c++ - 如何检查c ++中的二维向量是否所有元素都为零?