xarray 或 dask 真的支持内存映射吗？

Question

到目前为止，在我的实验中，我已经尝试过：

• xr.open_dataset 和 chunks arg，它将数据加载到内存中。
• 设置NetCDF4DataStore，调用ds['field'].values，它将数据加载到内存中。
• 使用mmap='r' 设置ScipyDataStore，然后ds['field'].values 将数据加载到内存中。

据我所见，设计似乎不是围绕在内存映射数组上实际应用 numpy 函数，而是将小块加载到内存中（有时使用内存映射来这样做）。例如，this comment。还有一些相关的评论 here 关于 not xarray 无法确定一个 numpy 数组是否被映射。

我希望能够将数据表示和切片为 xarray.Dataset，并能够调用 .values（或 .data）以获取 ndarray，但保持映射（出于目的共享内存等）。

如果分块的 dask 操作至少可以在内存映射数组上进行操作，直到它真正需要改变某些东西，这似乎是可能的，因为 dask 似乎是围绕不可变数组设计的。

不过，我确实发现了一个使用 xarray 的技巧，就是这样做：

data=np.load('file.npy', mmap_mode='r')
ds=xr.Dataset({'foo': (['dim1', 'dim2'], data)})

此时，类似以下内容的工作无需将任何内容加载到内存中：

np.sum(ds['foo'].values)
np.sum(ds['foo'][::2,:].values)

...xarray 显然不知道该数组已映射，并且不能为此类情况强加np.copy。

在 xarray 或 dask 中是否有“支持”的方式来进行只读内存映射（或复制时写入）？

Answer 1

xr.open_dataset 和 chunks= 不应该立即将数据加载到内存中，它应该创建一个 dask.array，它会延迟计算。

testfile = '/Users/mdurant/data/smith_sandwell_topo_v8_2.nc'
arr = xr.open_dataset(testfile, chunks={'latitude': 6336//11, 'longitude': 10800//15}).ROSE
arr 

<xarray.DataArray 'ROSE' (latitude: 6336, longitude: 10800)> dask.array</Users/mdurant/data/smith_sandwell_topo_v8_2.nc:/ROSE, shape=(6336, 10800), dtype=float64, chunksize=(576, 720)> Coordinates: * longitude (longitude) float32 0.0166667 0.05 0.0833333 0.116667 0.15 ... * latitude (latitude) float32 -72.0009 -71.9905 -71.9802 -71.9699 ... Attributes: long_name: Topography and Bathymetry ( 8123m -> -10799m) units: meters valid_range: [-32766 32767] unpacked_missing_value: -32767.0 （注意上面的dask.array）

对此的许多 xarray 操作可能是惰性的，并且按块工作（如果切片，则只会加载所需的块）

arr.sum()

<xarray.DataArray 'ROSE' ()> dask.array<sum-aggregate, shape=(), dtype=float64, chunksize=()>

arr.sum().values    # evaluates

但是，这与内存映射不同，如果这不能回答您的问题，我将不胜感激。

使用 dask 的线程调度程序，内存中的值可供其他工作人员使用，因此共享将非常有效。相反，分布式调度器非常擅长识别何时可以在计算图内或图之间重用结果。