Xarrayで多次元データを扱う備忘録

業務で急に多次元データ(netcdfデータ　緯度・経度・時刻・標高）を扱う必要があったので、備忘録的に整理します。
ここでは xarray を使って 緯度・経度・時刻の3次元気温データ を生成し、分析・可視化まで行います。
データは20〜30℃の範囲でランダムに生成した架空データです。

Xarrayのインポート

import pandas as pd
import xarray as xr
import numpy as np
import matplotlib.pyplot as plt

データセットの作成

# 次元
time = pd.date_range("2025-01-01", periods=10, freq="D")
lat = np.linspace(30, 40, 5)   # 緯度5地点
lon = np.linspace(130, 140, 6) # 経度6地点

# 架空の気温データ（20〜30℃）
temperature_data = 20 + 10 * np.random.rand(len(time), len(lat), len(lon))

# Dataset作成
ds = xr.Dataset(
    {
        "temperature": (("time", "lat", "lon"), temperature_data)
    },
    coords={
        "time": time,
        "lat": lat,
        "lon": lon
    },
    attrs={
        "title": "Synthetic Temperature Dataset",
        "description": "Mock temperature data for testing",
        "units": "Celsius",
        "version": "test"
    }
)

参考 既存のnetcdfデータの読み込み

ds = xr.open_dataset(
    "test.nc",
    engine="netcdf4"
)

データ構造の確認

ds

Xarrayデータの諸情報の確認

ds          # データセット全体
ds.dims     # ディメンション情報
ds.variables # 変数情報
ds.attrs    # グローバル属性

値の参照

# 特定時刻の全地点
ds['temperature'].isel(time=0)

# 特定地点の全時刻
ds['temperature'].isel(lat=0, lon=0)

# 最大値・平均値・中央値
ds['temperature'].max()
ds['temperature'].mean()
ds['temperature'].median()

# 特定地点の最大値
ds['temperature'].isel(lat=0, lon=0).max()

次元を固定した最大値の確認

ds['temperature'].isel(time=0).max()

ds['temperature'].isel(lat=0,lon=0).max()

可視化例

一次元の可視化

日ごと

ds["temperature"].isel(lat=0, lon=0).plot()

週ごとの平均

(
    ds.
    resample({'time':"1w"}).
    mean(dim=['time','lat','lon']).
    temperature.
    plot(marker='o')
)

月毎の平均

(
    ds
    .groupby(ds.time.dt.month)
    .mean(dim=['time', 'lat', 'lon'])  
    .temperature
    .plot(marker='o')
)

二次元（地図表示）

ds["temperature"].isel(lat=0, lon=0).plot()

季節を跨いだ比較（1月1日と12月31日の差）

seasonal_change = (ds.temperature.sel(time="2025-01-01") - ds.temperature.sel(time='2025-12-31'))

seasonal_change.plot()

まとめ

• xarray は多次元データの分析に便利で、座標付きで計算や集計が可能
• groupby や resample を使うと、月・週などの集計も簡単。
• .plot() で時系列・空間分布どちらも可視化できる

これをベースに、実データ（NetCDFやGRIB）でも同じ操作が可能です。