这就是我获取我的N-D数据的方式（func是IRL不可矢量化）：
import numpy
import xarray
import itertools
xs = numpy.linspace(0, 10, 100)
ys = numpy.linspace(0, 0.1, 20)
zs = numpy.linspace(0, 5, 200)
def func(x, y, z):
return x * y / z
vals = list(itertools.product(xs, ys, zs))
result = [func(x, y, z) for x, y, z in vals]
我有一种感觉，我所做的事情可以简化。我想把它放在xarray.DataArray而不重塑数据。但是，我现在就是这样做的：
arr = np.array(result).reshape(len(xs), len(ys), len(zs))
da = xarray.DataArray(arr, coords=[('x', xs), ('y', ys), ('z', zs)])
这是一个简单的例子，但通常我使用〜10D数据，我通过映射itertools.product（并行）获得。
我的问题：如何在不重塑我的数据和使用vals并且不使用xs，ys和zs的长度的情况下如何做到这一点？
与您的工作方式类似：
index = pandas.MultiIndex.from_tuples(vals, names=['x', 'y', 'z'])
df = pandas.DataFrame(result, columns=['result'], index=index)
编辑：这是我解决它的方式，受到@hpaulj答案的启发，谢谢！
import numpy
import xarray
import itertools
coords = dict(x=numpy.linspace(0, 10, 100),
y=numpy.linspace(0, 0.1, 20),
z=numpy.linspace(0, 5, 200))
def func(x, y, z):
return x * y / z
result = [func(x, y, z) for x, y, z in itertools.product(*coords.values())]
xarray.DataArray(numpy.reshape(result, [len(i) for i in coords.values()]), coords=coords)
经验丰富的numpy用户倾向于专注于删除迭代步骤。因此，我们放大了你的result计算，并将reshape视为微不足道的东西。因此，迄今为止的答案都集中在广播和计算你的功能上。
但是我开始怀疑那真正困扰你的是那个
reshape(len(xs), len(ys), len(zs))
如果你有10个这样的尺寸，而不仅仅是3，可能会变得笨拙。这不是计算速度，而是输入len(..) 10次所需的努力。或者可能是代码看起来很难看。
无论如何，这是一种绕过所有打字的方式。关键是在列表中收集维数组
In [495]: dims = [np.linspace(0,10,4), np.linspace(0,.1,3), np.linspace(0,5,5)]
In [496]: from itertools import product
In [497]: vals = list(product(*dims))
In [498]: len(vals)
Out[498]: 60
In [499]: result = [sum(ijk) for ijk in vals] # a simple func
现在只需使用简单的列表理解即可获得len's：
In [501]: arr=np.array(result).reshape([len(i) for i in dims])
In [502]: arr.shape
Out[502]: (4, 3, 5)
另一种可能性是在开始时将linspace参数放在列表中。
In [504]: ldims=[4,3,5]
In [505]: ends=[10,.1,5]
In [506]: dims=[np.linspace(0,e,l) for e,l in zip(ends, ldims)]
In [507]: vals = list(product(*dims))
In [508]: result=[sum(ijk) for ijk in vals]
In [509]: arr=np.array(result).reshape(ldims)
reshape本身并不昂贵。通常它会创建一个视图，这是您可以使用数组执行的最快速的事情之一。
@Divakar在他删除的答案中暗示了这种解决方案，*np.meshgrid(*A)可以替代你的product(xs,ys)。
顺便说一句，我的回答也不涉及xarray - 因为我没有安装该软件包。我假设你知道你在将3d形状的arr传递给它时你在做什么，而不是更长的1d数组。看看标签号码，qzxswpoi的5k粉丝，numpy的23个粉丝。
xarray xarray参数也可以从coords构建（附加名单）。
如果这个答案不符合您的喜好，我建议关闭这个问题，然后用dims标签开始一个新问题。那样你就不会吸引无数的xarray苍蝇。
第二次编辑我忘记了einsum！如果你可以折磨你的功能以适应这将更快（下面的时间1.5ms）
numpy您需要重塑并广播到相同形状的阵列。正如巴尔佐拉所说，如果每个方向的10D和100（10 ** 20个元素），这将非常大。正如hpaulj所说，重塑一个numpy数组通常是微不足道的，在这种情况下是如此，尽管广播确实需要一些工作。但是比itertools.product（）方法要少得多。以你为榜样
result = np.einsum('i,j,k', xs, ys, 1.0 / zs)
使用如下的timeit我得到numpy计算为4ms，itertools方法为150ms。我认为对于更多维度而言差异会更大。
import numpy as np
xs = np.linspace(0, 10, 100)
ys = np.linspace(0, 0.1, 20)
zs = np.linspace(0.1, 5, 200)
xn, yn, zn = len(xs), len(ys), len(zs)
xs_b = np.broadcast_to(xs.reshape(xn, 1, 1), (xn, yn, zn))
ys_b = np.broadcast_to(ys.reshape(1, yn, 1), (xn, yn, zn))
zs_b = np.broadcast_to(zs.reshape(1, 1, zn), (xn, yn, zn))
result = xs_b * ys_b / zs_b
编辑PS。我改变你的zs以通过除以零来防止numpy警告，因为这可能影响了时间比较。
我的回答：[删除因为问题意外改变]