如何细分/优化 xarray 数据集中的维度？

Question

摘要：我有一个数据集，该数据集以维度最初不可用的方式收集。 我想获取本质上是一大块未区分数据的内容，并为其添加维度，以便可以对其进行查询、子集化等。这是以下问题的核心。

这是我拥有的一个 xarray 数据集：

<xarray.Dataset>
Dimensions:  (chain: 1, draw: 2000, rows: 24000)
Coordinates:
  * chain    (chain) int64 0
  * draw     (draw) int64 0 1 2 3 4 5 6 7 ... 1993 1994 1995 1996 1997 1998 1999
  * rows     (rows) int64 0 1 2 3 4 5 6 ... 23994 23995 23996 23997 23998 23999
Data variables:
    obs      (chain, draw, rows) float64 4.304 3.985 4.612 ... 6.343 5.538 6.475
Attributes:
    created_at:                 2019-12-27T17:16:13.847972
    inference_library:          pymc3
    inference_library_version:  3.8

这里的rows维度对应于我需要恢复到数据的多个子维度。 特别是，这 24,000 行分别对应来自 240 个条件的 100 个样本（这 100 个样本位于连续块中）。 这些条件是gate 、 input 、 growth medium和od 。

我想以这样的方式结束：

<xarray.Dataset>
Dimensions:  (chain: 1, draw: 2000, gate: 1, input: 4, growth_medium: 3, sample: 100, rows: 24000)
Coordinates:
  * chain    (chain) int64 0
  * draw     (draw) int64 0 1 2 3 4 5 6 7 ... 1993 1994 1995 1996 1997 1998 1999
  * rows     *MultiIndex*
  * gate     (gate) int64 'AND'
  * input    (input) int64 '00', '01', '10', '11'
  * growth_medium (growth_medium) 'standard', 'rich', 'slow'
  * sample   (sample) int64 0 1 2 3 4 5 6 7 ... 95 96 97 98 99
Data variables:
    obs      (chain, draw, gate, input, growth_medium, samples) float64 4.304 3.985 4.612 ... 6.343 5.538 6.475
Attributes:
    created_at:                 2019-12-27T17:16:13.847972
    inference_library:          pymc3
    inference_library_version:  3.8

我有一个 Pandas 数据框，它指定了门、输入和生长培养基的值——每一行给出了一组门、输入和生长培养基的值，以及一个索引，指定了（ rows ）对应的一组出现 100 个样本。 目的是该数据框是标记数据集的指南。

我查看了关于“重塑和重组数据”的 xarray 文档，但我没有看到如何组合这些操作来完成我需要的操作。 我怀疑我需要以某种方式将这些与GroupBy结合起来，但我不明白如何。 谢谢！

后来：我有一个解决这个问题的方法，但它太恶心了，我希望有人解释我是多么错误，以及可能有什么更优雅的方法。

因此，首先，我将原始Dataset中的所有数据提取为原始 numpy 形式：

foo = qm.idata.posterior_predictive['obs'].squeeze('chain').values.T
foo.shape # (24000, 2000)

然后我根据需要对其进行了改造：

bar = np.reshape(foo, (240, 100, 2000))

这给了我我想要的大致形状：有 240 个不同的实验条件，每个都有 100 个变体，对于这些变体中的每一个，我的数据集中有 2000 个蒙特卡罗样本。

现在，我从 Pandas DataFrame提取有关 240 个实验条件的信息：

import pandas as pd
# qdf is the original dataframe with the experimental conditions and some
# extraneous information in other columns
new_df = qdf[['gate', 'input', 'output', 'media', 'od_lb', 'od_ub', 'temperature']]
idx = pd.MultiIndex.from_frame(new_df)

最后，我从 numpy 数组和 pandas MultiIndex重新组装了一个DataArray ：

xr.DataArray(bar, name='obs', dims=['regions', 'conditions', 'draws'],
             coords={'regions': idx, 'conditions': range(100), 'draws': range(2000)})

生成的DataArray具有这些坐标，如我所愿：

Coordinates:
  * regions      (regions) MultiIndex
  - gate         (regions) object 'AND' 'AND' 'AND' 'AND' ... 'AND' 'AND' 'AND'
  - input        (regions) object '00' '10' '10' '10' ... '01' '01' '11' '11'
  - output       (regions) object '0' '0' '0' '0' '0' ... '0' '0' '0' '1' '1'
  - media        (regions) object 'standard_media' ... 'high_osm_media_five_percent'
  - od_lb        (regions) float64 0.0 0.001 0.001 ... 0.0001 0.0051 0.0051
  - od_ub        (regions) float64 0.0001 0.0051 0.0051 2.0 ... 0.0003 2.0 2.0
  - temperature  (regions) int64 30 30 37 30 37 30 37 ... 37 30 37 30 37 30 37
  * conditions   (conditions) int64 0 1 2 3 4 5 6 7 ... 92 93 94 95 96 97 98 99
  * draws        (draws) int64 0 1 2 3 4 5 6 ... 1994 1995 1996 1997 1998 1999

不过，这太可怕了，而且我必须通过xarray抽象的所有漂亮层才能达到这一点似乎是错误的。 特别是因为这看起来不像是科学工作流程中的一个不寻常的部分：将相对原始的数据集与需要与数据结合的元数据电子表格一起获取。 那么我做错了什么？ 什么是更优雅的解决方案？

Answer 1

给定起始数据集，类似于：

<xarray.Dataset>
Dimensions:  (draw: 2, row: 24)
Coordinates:
  * draw     (draw) int32 0 1
  * row      (row) int32 0 1 2 3 4 5 6 7 8 9 ... 14 15 16 17 18 19 20 21 22 23
Data variables:
    obs      (draw, row) int32 0 1 2 3 4 5 6 7 8 ... 39 40 41 42 43 44 45 46 47

您可以连接几个纯 xarray 命令来细分维度（以相同的形状获取数据，但使用多索引）甚至重塑数据集。 要细分维度，可以使用以下代码：

multiindex_ds = ds.assign_coords(
    dim_0=["a", "b", "c"], dim_1=[0,1], dim_2=range(4)
).stack(
    dim=("dim_0", "dim_1", "dim_2")
).reset_index(
    "row", drop=True
).rename(
    row="dim"
)
multiindex_ds

其输出为：

<xarray.Dataset>
Dimensions:  (dim: 24, draw: 2)
Coordinates:
  * draw     (draw) int32 0 1
  * dim      (dim) MultiIndex
  - dim_0    (dim) object 'a' 'a' 'a' 'a' 'a' 'a' ... 'c' 'c' 'c' 'c' 'c' 'c'
  - dim_1    (dim) int64 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1
  - dim_2    (dim) int64 0 1 2 3 0 1 2 3 0 1 2 3 0 1 2 3 0 1 2 3 0 1 2 3
Data variables:
    obs      (draw, dim) int32 0 1 2 3 4 5 6 7 8 ... 39 40 41 42 43 44 45 46 47

此外，多索引然后可以被取消堆叠，有效地重塑数据集：

reshaped_ds = multiindex_ds.unstack("dim")
reshaped_ds

带输出：

<xarray.Dataset>
Dimensions:  (dim_0: 3, dim_1: 2, dim_2: 4, draw: 2)
Coordinates:
  * draw     (draw) int32 0 1
  * dim_0    (dim_0) object 'a' 'b' 'c'
  * dim_1    (dim_1) int64 0 1
  * dim_2    (dim_2) int64 0 1 2 3
Data variables:
    obs      (draw, dim_0, dim_1, dim_2) int32 0 1 2 3 4 5 ... 42 43 44 45 46 47

我认为仅凭这一点并不能完全满足您的需求，因为您想将一个维度转换为两个维度，其中一个维度是多索引。 不过，所有的构建块都在这里。

例如，您可以使用regions和conditions此步骤（包括拆垛），然后按照此步骤（现在不拆垛）将regions转换为多索引。 另一种选择是从一开始就使用所有维度，将它们拆开，然后再次将它们堆叠起来，留下最终多索引之外的conditions 。

---

详细解答

答案结合了几个非常不相关的命令，可能很难看到每个命令在做什么。

assign_coords

第一步是创建新的维度和坐标并将它们添加到数据集。 这是必要的，因为下一个方法需要维度和坐标已经存在于数据集中。

在assign_coords之后assign_coords停止assign_coords产生以下数据集：

<xarray.Dataset>
Dimensions:  (dim_0: 3, dim_1: 2, dim_2: 4, draw: 2, row: 24)
Coordinates:
  * draw     (draw) int32 0 1
  * row      (row) int32 0 1 2 3 4 5 6 7 8 9 ... 14 15 16 17 18 19 20 21 22 23
  * dim_0    (dim_0) <U1 'a' 'b' 'c'
  * dim_1    (dim_1) int32 0 1
  * dim_2    (dim_2) int32 0 1 2 3
Data variables:
    obs      (draw, row) int32 0 1 2 3 4 5 6 7 8 ... 39 40 41 42 43 44 45 46 47

stack

数据集现在包含 3 个维度，总共有 24 个元素，但是，由于数据目前相对于这 24 个元素是平坦的，我们必须将它们堆叠成一个 24 元素的多索引，以使其形状兼容。

我发现assign_coords后跟stack是最自然的解决方案，但是，另一种可能性是生成一个多索引，类似于上面的做法，并直接使用多assign_coords调用assign_coords ，从而使堆栈assign_coords不必要。

此步骤将所有 3 个新维度合并为一个：

<xarray.Dataset>
Dimensions:  (dim: 24, draw: 2, row: 24)
Coordinates:
  * draw     (draw) int32 0 1
  * row      (row) int32 0 1 2 3 4 5 6 7 8 9 ... 14 15 16 17 18 19 20 21 22 23
  * dim      (dim) MultiIndex
  - dim_0    (dim) object 'a' 'a' 'a' 'a' 'a' 'a' ... 'c' 'c' 'c' 'c' 'c' 'c'
  - dim_1    (dim) int64 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1
  - dim_2    (dim) int64 0 1 2 3 0 1 2 3 0 1 2 3 0 1 2 3 0 1 2 3 0 1 2 3
Data variables:
    obs      (draw, row) int32 0 1 2 3 4 5 6 7 8 ... 39 40 41 42 43 44 45 46 47

请注意，根据需要，现在我们有 2 个尺寸为 24 的维度。

reset_index

现在我们在 Dataset 中将最终维度作为坐标存在，并且我们希望这个新坐标是用于索引变量obs坐标。 set_index似乎是正确的选择，但是，我们的每个坐标索引本身（与set_index文档中的示例不同，其中x索引x和a坐标）这意味着set_index不能在这种特殊情况下使用。 使用的方法是reset_index删除坐标row而不删除维度row 。

在下面的输出中，可以看出现在row是一个没有坐标的维度：

<xarray.Dataset>
Dimensions:  (dim: 24, draw: 2, row: 24)
Coordinates:
  * draw     (draw) int32 0 1
  * dim      (dim) MultiIndex
  - dim_0    (dim) object 'a' 'a' 'a' 'a' 'a' 'a' ... 'c' 'c' 'c' 'c' 'c' 'c'
  - dim_1    (dim) int64 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1
  - dim_2    (dim) int64 0 1 2 3 0 1 2 3 0 1 2 3 0 1 2 3 0 1 2 3 0 1 2 3
Dimensions without coordinates: row
Data variables:
    obs      (draw, row) int32 0 1 2 3 4 5 6 7 8 ... 39 40 41 42 43 44 45 46 47

rename

当前数据集几乎是最后一个，唯一的问题是obs变量仍然具有row维度而不是所需的维度： dim 。 它看起来并不是rename预期用途，但它可以用来dim以吸收row ，产生所需的最终结果（上面称为multiindex_ds ）。

再次， set_index似乎是选择的方法，但是，如果使用set_index(row="dim")而不是rename(row="dim") ，则多索引将折叠set_index(row="dim")元组组成的索引：

<xarray.Dataset>
Dimensions:  (draw: 2, row: 24)
Coordinates:
  * draw     (draw) int32 0 1
  * row      (row) object ('a', 0, 0) ('a', 0, 1) ... ('c', 1, 2) ('c', 1, 3)
Data variables:
    obs      (draw, row) int32 0 1 2 3 4 5 6 7 8 ... 39 40 41 42 43 44 45 46 47