standard-precip包的安装可以上github搜索并安装。安装方法为conda中输入。
pip install standard-precip
该库包在安装时可能由于python配置的环境问题安装失败,但我没有找到解决措施(在另一台电脑中安装失败)
import pandas as pd
import os
from standard_precip import spi
import math
导入需要用到的库包
i = 568
while i<=16919:
data_1 = pd.read_csv("G:/Python_/mid_7/point_data/"+str(i)+".csv")
写入while循环,这样就能对文件夹下每个站点的SPEI作计算。i代表我的数据站点名称,一直到16919.csv。
if math.isnan(data_1.loc[1,'rain']) == True:
i += 1
continue
这一步的原因是该库包不允许出现空值,但我的降雨数据有缺失,所以采用math.isnan进行查找,如果该站点有空值,直接跳过到下一个站点。如果没有空值则不需要这一步。
data_1['rain-pet'] = data_1['rain'] - data_1['PET']
这一步开始计算,根据spei的原理先计算出降雨与蒸散的差值,‘rain’和‘PET’要看文件里具体对应的名称。
spei_calculator = spi.SPI()
spei_monthly = spei_calculator.calculate(data_1, 'time', 'rain-pet', freq='M', scale=1,
fit_type="mle", dist_type='glo')
print(str(i)+"!!!")
data_1是数据,‘time’是时间,需要根据文件里对应的列名确定;'rain-pet'就是降雨与蒸散的差值,根据自己的命名而定;freq=‘M’代表数据是以月进行的,还可以有周和年,具体看库包的base-sp介绍(按住ctrl再点一下standard-precip);scale=1,结合前面的‘M’代表以一个月为尺度计算,三个月即为3,年尺度则为12; dist_type代表拟合类型,SPEI可选择Generalised Logistic,对应的代码为‘glo’,该拟合方式的fit_type只能是‘mle’。如何确定采用哪种拟合方式可参考github中的介绍,应该有一个pdf文件具体忘记叫什么了。
spi计算也可参考以上步骤,更改拟合方式和数据即可
out_path = os.path.join("G:/Python_/mid_7/sewdi/"+str(i)+".csv")
spei_monthly.to_csv(out_path)
i += 1
导出数据并进行下一循环