Xarray包围绕Dask Array，因此提供了相同的可扩展性，但在处理复杂数据集时也增加了便利性。特别是 Xarray 可以帮助解决以下问题：

将多个数组作为一致的数据集一起管理

一次从一堆 HDF 或 NetCDF 文件中读取

使用一致的 API 在 Dask Array 和 NumPy 之间切换

Xarray 用于广泛的领域，包括物理学、天文学、地球科学、显微镜、生物信息学、工程、金融和深度学习。Xarray 还有一个蓬勃发展的用户社区，擅长提供支持。

构建你自己的操作
通常我们想要执行在 Dask Array 中没有确切功能的计算。在这些情况下，我们可以使用一些更通用的函数来构建我们自己的函数。这些包括：

blockwise(func, out_ind, *args[, name, ...])
张量运算：广义内积和外积
 
map_blocks(func, *args[, name, token, ...])
跨 dask 数组的所有块映射函数。
 
map_overlap(func, *args[, 深度, 边界, ...])
在有一些重叠的数组块上映射一个函数
 
reduction（x， 块，聚合[，轴，...]）
通用版的减法
 
这些函数可以帮助你将你为 NumPy 函数编写的函数应用到更大的 Dask 数组上。
				
python中基于xarray处理netcdf文件时，使用dask加速处理速度
在处理高分辨率气象文件netcdf格式文件时，常规的处理速度太慢！！数据量过大，造成卡死，真是上头！！！先不要想着新装内存，虽然我差点京东下单！
首先需要先安装好dask包！！！
1、以日数据气温数据netcdf文件为例。
图中是两个打开方式，其中air是气温变量。
data_dask是使用dask,chunks则是以经纬度10度为间隔划分块。进而分块处理。
data_nodask常规打开方法。
2、以按年平均举例，
				
在自己的电脑上处理长时间高分辨率的空间栅格数据时，经常因为数据量过大而导致代码难以运行。在使用python的xarray包处理分析数据时，可以利用dask包对较大的数据进行分块并行计算。
xarray中关于dask并行运算的介绍
				
Pandas是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。Pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。本文主要介绍一下Pandas中pandas.DataFrame.to_xarray方法的使用。
原文地址：Python pandas.DataFrame.to_xarray函数方法的使用
				
xarray介绍
文章目录**xarray介绍****xr.Dataset：**1、官方例子：2、同一维度上多个变量的坐标参数：xr.DataArray:1、有多个维度时（以3维为例）2、只有一个维度时**xarray--数据的读写**利用xarray读取NetCDF数据：读取nc文件：写入nc文件：**xarray--数据索引和切片**xarray--nc文件规则网格插值
xr.Dataset：
装入多个变量的信息，可以对每个变量进行定义不同的维度信息。主要包含以下三部分：
data_vars
1、什么是Dask？
Pandas和Numpy大家都不陌生了，代码运行后数据都加载到RAM中，如果数据集特别大，我们就会看到内存飙升。但有时要处理的数据并不适合RAM，这时候Dask来了。
Dask是开源免费的。它是与其他社区项目（如Numpy，Pandas和Scikit-Learn）协调开发的。
官方：https://dask.org/
Dask支持Pan..
				
在Windows下读取grib文件，在我上一篇博客Windows上python读取grib2文件（不用Linux）学习了使用wgrib2处理grib2文件，可以直接读，也可以转化为nc文件（转化后python就容易处理了）。而对于grib文件，下载wgrib处理可以，但不能转化为nc文件。本博客学习使用xarray和cgrib读取及转化grib数据。
一、气象数据常用格式
常用的数据格式包括普通的二进制格式、文本数据、NetCDF、HDF4/5以及GRIB1/2数据。这里简单介绍一下NetCDF和GRIB1
				
原理就是不一次性把文件数据读入内存中，而是分多次
1.指定chunksize分块读取文件
read_csv 和 read_table 有一个 chunksize 参数，用以指定一个块大小(每次读取多少行)，返回一个可迭代的 TextFileReader 对象。
table=pd.read_table(path+'kuaishou.txt',sep='\t',chunksize=1000000)
for df in table:
    对df处理
    #如df.drop(columns=['page',
xarray的实现在./lib/xarray.c中
xarray 的解释如下：
The XArray is an abstract data type which behaves like a very large array
of pointers.  It meets many of the same needs as a hash or a conventional
resizable a...
Dimensions:  (time: 365, lat: 180, lon: 360)
Coordinates:
  * lon      (lon) float32 0.0 1.0 2.0 3.0 ... 356.0 357.0 358.0 359.0
  * lat      (lat) float32 -89.0 -88.0 -87.0 -86.0 ... 86.0 87.0 88.0 89.0
  * time     (time) datetime64[ns] 2019-01-01 2019-01-02 ... 2019-12-31
Data variables:
    data_var (time, lat, lon) float32 ...
在 xarray 中，可以通过 `sel()` 函数选择数据集的子集，包括选择时间范围。例如，选择 2019 年 1 月 1 日至 2019 年 1 月 31 日的数据：
```python
subset = ds.sel(time=slice('2019-01-01', '2019-01-31'))
其中，`slice()` 函数用于指定时间范围，`time` 表示选择的是时间维度。`subset` 就是选择后的子集，可以进行后续的数据分析和处理。