采用standard-precip计算SPEI

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