xarray 多维数据入门：从 combine='by_coords' 到维度与坐标

本文从一行常见代码出发，逐步拆解 xarray 中「维度」与「坐标」这两个核心概念，最后用一个鸡蛋盒的比喻帮你彻底搞懂它们。

---

目录

• 一、从一行代码说起
• 二、combine='by_coords' 到底在做什么
• 三、维度与坐标：联系与区别
• 四、坐标的两种类型
• 五、给 10 岁小朋友的解释：鸡蛋盒比喻
• 六、总结

---

一、从一行代码说起

合并多个 NetCDF 文件时，你可能会写下这样的代码：

import xarray as xr

ds = xr.open_mfdataset("file_*.nc", combine='by_coords')
ds.to_netcdf("merged.nc")

看起来很简洁，但 combine='by_coords' 到底是什么意思？可以随便写吗？要回答这个问题，我们需要先理解 xarray 中两个最基础的概念——维度（Dimension） 和 坐标（Coordinate）。

---

二、combine='by_coords' 到底在做什么

2.1 combine 参数的合法值

combine 是一个固定选项参数，告诉 xarray 如何把多个文件合并成一个 Dataset。它不能随便写，只有以下合法值：

值	含义	底层调用
'by_coords'	根据坐标值自动排序、对齐后合并	xr.combine_by_coords()
'nested'	按文件顺序（嵌套列表结构）拼接，需配合 concat_dim	xr.combine_nested()
'compat'	⚠️ 已弃用（deprecated），旧版默认行为	—

写成 combine='abc' 会直接抛出 ValueError。

2.2 'by_coords' 的核心逻辑

读取每个文件的坐标（coords），按坐标值排序，然后沿不同维度自动 concat 或 merge。

关键要求：每个文件必须有能区分彼此的坐标变量（通常是 time、lat、lon 等）。

2.3 典型场景

✅ 场景 1：按时间切分（最常见）

file_2024.nc  →  time: 2024-01-01 ~ 2024-12-31
file_2025.nc  →  time: 2025-01-01 ~ 2025-12-31
file_2026.nc  →  time: 2026-01-01 ~ 2026-06-30

ds = xr.open_mfdataset("file_*.nc", combine='by_coords')
# xarray 读取每个文件的 time 坐标 → 排序 → 沿 time 维度 concat
# 结果: time 从 2024-01-01 连续到 2026-06-30

✅ 场景 2：按空间区域切分

file_north.nc  →  lat: 30°N ~ 90°N
file_south.nc  →  lat: -90°S ~ 30°N

ds = xr.open_mfdataset("file_*.nc", combine='by_coords')
# xarray 发现 lat 坐标不同 → 沿 lat 维度 concat
# 结果: lat 从 -90 到 90 完整覆盖

✅ 场景 3：多维网格切分（时间 × 空间）

file_2024_north.nc  →  time: 2024, lat: 30~90
file_2024_south.nc  →  time: 2024, lat: -90~30
file_2025_north.nc  →  time: 2025, lat: 30~90
file_2025_south.nc  →  time: 2025, lat: -90~30

ds = xr.open_mfdataset("file_*.nc", combine='by_coords')
# xarray 自动识别：
#   - time 不同 → 沿 time concat
#   - lat 不同  → 沿 lat concat
# 最终得到完整的 (time × lat × lon) 数据集

这就是 by_coords 最强大的地方——自动推断多维拼接方式。

❌ 场景 4：文件没有区分性坐标（会出问题）

file_a.nc  →  dims: (x: 100, y: 100)  # 没有坐标，只有维度名
file_b.nc  →  dims: (x: 100, y: 100)  # 完全一样

ds = xr.open_mfdataset("file_*.nc", combine='by_coords')
# ⚠️ 报错或结果不对！xarray 无法通过坐标区分这两个文件该怎么拼

此时应改用 'nested'：

ds = xr.open_mfdataset("file_*.nc", combine='nested', concat_dim='x')
# 明确告诉 xarray：按文件顺序，沿 x 维度拼接

2.4 'by_coords' vs 'nested' 对比

# ✅ by_coords：自动按坐标排序合并（不需要指定 concat_dim）
ds = xr.open_mfdataset("file_*.nc", combine='by_coords')

# ✅ nested：手动指定拼接维度（按文件列表顺序）
ds = xr.open_mfdataset("file_*.nc", combine='nested', concat_dim='time')

# ✅ 多维 nested：文件组织成嵌套列表
ds = xr.open_mfdataset(
    [["file_2024_north.nc", "file_2024_south.nc"],
     ["file_2025_north.nc", "file_2025_south.nc"]],
    combine='nested',
    concat_dim=['time', 'lat']
)

2.5 小结

问题	回答
by_coords 由什么决定？	由文件内部的坐标变量（如 time, lat, lon）决定，xarray 自动读取并排序
可以随便写吗？	❌ 不可以。只能写 'by_coords'、'nested'、'compat'（已弃用）
什么时候用 by_coords？	文件有明确的、不重叠的坐标（如不同时间段、不同空间区域）
什么时候用 nested？	文件没有区分性坐标，或你想手动控制拼接顺序和维度

💡 经验法则：如果你的 .nc 文件里有 time 坐标且每个文件对应不同时间段，直接用默认的 combine='by_coords' 就好。

---

三、维度与坐标：联系与区别

理解了 by_coords 依赖坐标工作之后，我们来正式认识这两个概念。

3.1 一句话定义

概念	本质	类比
维度 (Dimension)	一个名字 + 长度，描述数据"有几个轴、每个轴多长"	表格的行号/列号（0, 1, 2, …）
坐标 (Coordinate)	附着在维度上的具体标签值，描述"每个位置是什么"	表格的日期列、城市名（2024-01-01, 北京, …）

维度回答 “多大”，坐标回答 “是什么”。

3.2 有坐标 vs 无坐标

import numpy as np
import xarray as xr

data = np.random.rand(3, 4)  # 3行 × 4列

# ===== ① 只有维度，没有坐标 =====
da1 = xr.DataArray(data, dims=['x', 'y'])
print(da1)

<xarray.DataArray (x: 3, y: 4)>
array([[0.54, 0.71, 0.60, 0.54],
       [0.42, 0.65, 0.44, 0.89],
       [0.96, 0.38, 0.79, 0.53]])
Dimensions without coordinates:   ← ⚠️ 注意这行
    x: 3
    y: 4

只知道 x 轴有 3 个位置、y 轴有 4 个位置，但不知道每个位置代表什么。

# ===== ② 有维度 + 有坐标 =====
da2 = xr.DataArray(
    data,
    dims=['time', 'city'],
    coords={
        'time': ['2024-01', '2024-02', '2024-03'],
        'city': ['北京', '上海', '广州', '深圳'],
    }
)
print(da2)

<xarray.DataArray (time: 3, city: 4)>
array([[0.54, 0.71, 0.60, 0.54],
       [0.42, 0.65, 0.44, 0.89],
       [0.96, 0.38, 0.79, 0.53]])
Coordinates:                      ← ✅ 有了！
  * time   (time) <U7 '2024-01' '2024-02' '2024-03'
  * city   (city) <U2 '北京' '上海' '广州' '深圳'
Dimensions without coordinates:
    *empty*

3.3 核心区别

① 索引方式不同

# 无坐标 → 只能用位置索引 .isel (integer select)
da1.isel(x=0, y=2)       # ✅ 第0行第2列
da1.sel(x='2024-01')     # ❌ 报错！没有坐标，无法按标签选

# 有坐标 → 既可以用位置，也可以用标签
da2.isel(time=0)         # ✅ 位置索引
da2.sel(time='2024-01')  # ✅ 标签索引 ← 坐标的核心价值
da2.sel(city='上海')      # ✅

② 对齐 (Alignment) 能力不同

a = xr.DataArray([10, 20, 30], dims='x', coords={'x': [1, 2, 3]})
b = xr.DataArray([40, 50, 60], dims='x', coords={'x': [2, 3, 4]})

a + b
# 自动按坐标对齐：
# x=1: 10 + NaN = NaN
# x=2: 20 + 40  = 60
# x=3: 30 + 50  = 80
# x=4: NaN + 60 = NaN

没有坐标的话，xarray 只能按位置硬拼，无法做语义对齐。

③ 合并文件时的作用不同

# combine='by_coords' 靠的就是坐标来排序和拼接
# 如果文件只有维度没有坐标 → by_coords 无法工作

---

四、坐标的两种类型

这是很多人忽略的重点：

ds = xr.Dataset(
    data_vars={
        'temperature': (['time', 'y', 'x'], np.random.rand(3, 4, 5)),
    },
    coords={
        # ---- 维度坐标 (Dimension Coordinate) ----
        # 1D，名字与维度同名，带 * 号
        'time': pd.date_range('2024-01-01', periods=3),
        'y':     np.arange(4),
        'x':     np.arange(5),

        # ---- 非维度坐标 (Non-dimension Coordinate) ----
        # 可以是多维的，名字与维度不同名
        'lat':  (['y', 'x'], np.random.rand(4, 5)),   # 二维经纬度
        'lon':  (['y', 'x'], np.random.rand(4, 5)),
    }
)
print(ds)

<xarray.Dataset>
Dimensions:      (time: 3, y: 4, x: 5)
Coordinates:
  * time         (time) datetime64[ns] 2024-01-01 2024-01-02 2024-01-03
  * y            (y) int64 0 1 2 3
  * x            (x) int64 0 1 2 3 4
    lat          (y, x) float64 ...          ← 非维度坐标（2D）
    lon          (y, x) float64 ...          ← 非维度坐标（2D）
Data variables:
    temperature  (time, y, x) float64 ...

类型	特征	作用
维度坐标	1D，名字 = 维度名，打印时带 *	支持 .sel() 标签索引、自动对齐、by_coords 合并
非维度坐标	可多维，名字 ≠ 维度名	提供辅助描述信息（如曲线网格的经纬度），不能直接用于 .sel()

一个完整的现实例子

# 气象数据：3天 × 4个站点
ds = xr.Dataset(
    {
        'temp':     (['time', 'station'], np.random.rand(3, 4) * 30),
        'humidity': (['time', 'station'], np.random.rand(3, 4) * 100),
    },
    coords={
        'time':    pd.date_range('2024-07-01', periods=3),          # 维度坐标
        'station': ['北京', '上海', '广州', '深圳'],                  # 维度坐标
        'lat':     ('station', [39.9, 31.2, 23.1, 22.5]),          # 非维度坐标
        'lon':     ('station', [116.4, 121.5, 113.3, 114.1]),      # 非维度坐标
    }
)

维度 (Dimensions):
    time: 3        ← 只是"有3个时间步"
    station: 4     ← 只是"有4个站点"

坐标 (Coordinates):
  * time    → 2024-07-01, 2024-07-02, 2024-07-03   ← 具体是哪3天
  * station → 北京, 上海, 广州, 深圳                  ← 具体是哪4站
    lat     → 39.9, 31.2, 23.1, 22.5               ← 附加地理信息
    lon     → 116.4, 121.5, 113.3, 114.1

ds.sel(time='2024-07-02', station='上海')   # ✅ 靠坐标
ds.isel(time=1, station=1)                  # ✅ 靠维度位置
ds.sel(lat=31.2)                            # ❌ 非维度坐标不能直接 sel

---

五、给 10 岁小朋友的解释：鸡蛋盒比喻 🥚

如果上面的内容还是有点抽象，我们换一个方式。

想象一个鸡蛋盒

你打开冰箱，拿出一个鸡蛋盒：

        第1格   第2格   第3格   第4格   第5格   第6格
第1排  [ 🥚 ]  [ 🥚 ]  [ 🥚 ]  [ 🥚 ]  [ 🥚 ]  [ 🥚 ]
第2排  [ 🥚 ]  [ 🥚 ]  [ 🥚 ]  [ 🥚 ]  [ 🥚 ]  [ 🥚 ]

现在我问你两个问题：

“这个盒子有多大？”
→ 2排 × 6格。这就是维度。

“第1排第3格里放的是什么？”
→ 呃……一个鸡蛋？哪个鸡蛋？周一买的还是周二买的？不知道！

光知道"多大"，不知道"是什么"，是不是很没用？

给鸡蛋盒贴上标签 🏷️

妈妈在盒子上贴了标签：

         周一    周二    周三    周四    周五    周六
土鸡蛋  [ 🥚 ]  [ 🥚 ]  [ 🥚 ]  [ 🥚 ]  [ 🥚 ]  [ 🥚 ]
洋鸡蛋  [ 🥚 ]  [ 🥚 ]  [ 🥚 ]  [ 🥚 ]  [ 🥚 ]  [ 🥚 ]

现在再问：

“周三的土鸡蛋是哪个？”
→ 你一眼就能指出来！✅

这些 "周一、周二……“和"土鸡蛋、洋鸡蛋”，就是坐标。

对照表

	鸡蛋盒	意思
维度	2排 × 6格	盒子有多大（骨架）
坐标	周一~周六、土鸡蛋/洋鸡蛋	每个格子是什么（标签）

🦴 维度是骨架：没有它，盒子都不存在，鸡蛋没地方放。
🏷️ 坐标是标签：没有它，盒子还在，但你分不清哪个是哪个。

换成气象数据 🌦️

科学家记录天气，就像填一个超级大表格：

              北京    上海    广州    深圳
7月1日       35°C    33°C    34°C    32°C
7月2日       36°C    31°C    33°C    33°C
7月3日       34°C    32°C    35°C    31°C

• 维度：3天 × 4个城市 → 告诉你表格有多大
• 坐标：「7月1日、7月2日、7月3日」和「北京、上海、广州、深圳」→ 告诉你每行每列是什么

没有坐标会怎样？😱

如果科学家忘了写标签，表格就变成了：

              ???     ???     ???     ???
???          35      33      34      32
???          36      31      33      33
???          34      32      35      31

你看着这堆数字，完全不知道：

“35度是哪里？哪天？” 🤷

数据还在，但变成了天书。

一句话记住 ✨

维度告诉你：这个盒子有 几排几格。
坐标告诉你：这一格放的是 周三的土鸡蛋。

没有盒子，鸡蛋没地方放；
没有标签，你分不清哪颗是哪颗。

---

六、总结

结构全景图

┌─────────────────────────────────────────────────┐
│              DataArray / Dataset                 │
│                                                  │
│   维度 (Dimension)                               │
│   ┌──────────────────────────────┐               │
│   │  time: 3    station: 4      │  ← 名字+长度  │
│   └──────────────────────────────┘               │
│          │                │                      │
│          ▼                ▼                      │
│   坐标 (Coordinate)                              │
│   ┌──────────────────────────────┐               │
│   │ *time:    07-01,07-02,07-03 │  ← 维度坐标   │
│   │ *station: 北京,上海,广州,深圳 │  ← 维度坐标   │
│   │  lat:     39.9, 31.2, ...   │  ← 非维度坐标 │
│   │  lon:     116.4, 121.5, ... │  ← 非维度坐标 │
│   └──────────────────────────────┘               │
│                                                  │
│   数据变量 (Data Variable)                        │
│   ┌──────────────────────────────┐               │
│   │  temp:     (time, station)   │  ← 实际数值   │
│   │  humidity: (time, station)   │               │
│   └──────────────────────────────┘               │
└─────────────────────────────────────────────────┘

核心要点回顾

要点	说明
维度是骨架	定义数据的形状和大小，没有维度数据无法存在
坐标是标签	赋予每个位置具体含义，没有坐标数据失去语义
by_coords 依赖坐标	它通过读取坐标值来自动排序和拼接文件
combine 不能随便写	只有 'by_coords'、'nested'、'compat'（已弃用）
维度坐标 vs 非维度坐标	前者可 .sel()、可对齐；后者仅提供辅助信息

最终一句话：维度是骨架（多大），坐标是标签（是什么）。没有骨架，数据无处安放；没有标签，数据形同天书。而 combine='by_coords'，正是 xarray 利用这些"标签"来自动拼合多文件数据的魔法。