python气象数据可视化学习记录1——基于ERA5数据画风场和海平面气压填色叠加图

最新推荐文章于 2024-08-15 01:55:01 发布
最新推荐文章于 2024-08-15 01:55:01 发布
阅读量2.5w 收藏 466
点赞数 69
分类专栏： python气象数据可视化 文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qiuylulu/article/details/115304020
版权

python气象数据可视化学习记录1——基于ERA5数据画风场和海平面气压填色叠加图

1. 写在前面

大学时为了下载某些资源申请CSDN账号，11年过去了，一篇博文也没有，惭愧。受小王同学的启发，应该把平时自己的一些东西和学习经验记录下来，也是一种很好的经验。所以有了这第一篇文章。

学习python想了好几年了，但因为自己受NCL影响太多，一直走不了这个坑。近些年来，python在气象和大气环境领域有了很好的发展，自己也有了危机感，也决定有一些改变。记录博文也是为了督促自己，当然如果有人能从中得到收获，那也是更开心的。

因为自己还是新手，很多东西是看书+自己琢磨+官网+各类公众号和气象家园的综合，如果有任何错误和版权问题，欢迎大家指出！

2. 图片效果

最近自己科研工作上有一个需求，要利用ERA5 0.25°的小时资料画风场和海平面气压叠加的图，包含4个子图，分别代表了不同的时间，效果如下：
填色代表海平面气压hPa，箭头为风场

  • 填色代表海平面气压hPa，箭头为风场

3. 逐步代码解析

3.1导入库

使用到的库主要有

  1. matplotlib用来做图，包含了画图的pyplot,ticker等函数
  2. numpy 简单计算
  3. cartopy 绘地图
  4. netCDF4 读取NC格式数据
import matplotlib.pyplot as plt###引入库包
import numpy as np
import matplotlib as mpl
import cartopy.crs as ccrs
import cartopy.feature as cfeature
from cartopy.mpl.gridliner import LONGITUDE_FORMATTER, LATITUDE_FORMATTER
import matplotlib.ticker as mticker
import netCDF4 as nc
import matplotlib.pyplot as plt

此外，为了控制图内所有字体大小、轴线粗细、字体等信息一致，使图片更加美化，统一进行如下设置：

mpl.rcParams["font.family"] = 'Arial'  #默认字体类型
mpl.rcParams["mathtext.fontset"] = 'cm' #数学文字字体
mpl.rcParams["font.size"] = 12   #字体大小
mpl.rcParams["axes.linewidth"] = 1   #轴线边框粗细（默认的太粗了）

最后，一个python大神告诉我的方法，加入一个魔法函数，可以不使用plt.show()就可以显示图片的方法：

%matplotlib inline

到此，引入库包的步骤就完成啦！

3.2 读取NC格式数据

读取文件，这里用了ERA5的pressure文件来选取850hpa上的uv风场，single文件里则代表了地表的参量。

f1=nc.Dataset('E:/winter-photo-data/sum/data/ERA-data/202010-ERA-single.nc')
f2=nc.Dataset('E:/winter-photo-data/sum/data/ERA-data/202010-ERA-pressure.nc')

读取变量，需要用到msl（海平面气压），lat，lon，time，u，v等信息。
注意：

  1. 如果不知道变量名，可以print(f1)来看下具体有哪些变量。
  2. ERA5中lat是从50->30这样从北往南排列的。
  3. lat,lon 都是一维函数，msl是（时间，lat,lon）三维函数，u850和v850都是（时间，层数，lat，lon）的四位函数，绘图时只需要二维结果，所以后续要对数据进行挑选和加工。
msl=f1.variables["msl"][:]/100   #pa->hpa
lat=f1.variables['latitude'][:]
lon=f1.variables['longitude'][:]
time=f1.variables['time'][:]
u850=f2.variables["u"][:]
v850=f2.variables["v"][:]

3.3 对数据进行加工1

首先，要建立二维的lon2d,和lat2d，后面画填色图的时候经纬度信息要是二维的。

lon2d, lat2d = np.meshgrid(lon, lat)

其次，用布尔索引的方法挑选需要的时间段。

time_all=[(time>=1058760) & (time<=1059096)]   #13-27 Oct
time_20=[(time>=1058928) & (time<=1058951)]   # 20 Oct
time_25=[(time>=1059048) & (time<=1059071)]   # 25 Oct
time_clean=[(time>=1058760) & (time<1058928)]

这样，数据就挑选完成了，接下来将用lon2d,lat2d,msl,u850,v850，还有time等逻辑值来画图啦。

3.4 建立画布和子图，选择投影方式

使用的是最简单的lat,lon的投影，图片大小是10*8，有两行两列4个子图，这样就建立了画布，得到了各个子图的轴ax。

proj = ccrs.PlateCarree(central_longitude=130)  #中国为左
fig = plt.figure(figsize=(10,8),dpi=550)  # 创建画布
ax = fig.subplots(2, 2, subplot_kw={'projection': proj})  # 创建子图

3.5 （最重要的部分）自定义画图函数

3.5.1 为什么要定义画图函数？

要画多张图，可统一定义函数，后面直接传递参数，调用画图即可。不然要重复多次步骤。

3.5.2 生成二维的风场和海平面气压数据

定义的函数名为plot4，传递的参量只有time_range（对应time_all, time_20等布尔逻辑值，用来挑选所需要的时次），ax轴，labels为图左上角的标签。

msl_all等为时间平均后的二维数组，u_all等为时间平均后包含高度层信息的三维数组，后面再直接选择特定的层就行，这里没有选择。

def plot4(time_range,ax,labels):
    msl_all=np.mean(msl[time_range],axis=0)
    u_all=np.mean(u850[time_range],axis=0)
    v_all=np.mean(v850[time_range],axis=0)

3.5.3 利用cartopy绘制地图底图

这里参考了小白学习cartopy画地图的第一天（中国行政区域图，含南海）的博文，添加了经纬度信息，并对中国地区的边界进行了重新的设定。具体不再说明，上面的文章里写的很详细。如果用cartopy画地图的话可以学习下。需要注意的是选择extent=[100,125,30,50]经纬度信息时，一定要跟你画图时二维数组的经纬度信息一致，不然出的图是错的。

#-----------绘制地图-------------------------------------------

    ax.add_feature(cfeature.LAND.with_scale('50m'))####添加陆地######
    ax.add_feature(cfeature.COASTLINE.with_scale('50m'),lw=0.3)#####添加海岸线#########
    ax.add_feature(cfeature.OCEAN.with_scale('50m'))######添加海洋########

#-----------添加经纬度---------------------------------------
    extent=[100,125,30,50]##经纬度范围
    gl = ax.gridlines(crs=ccrs.PlateCarree(), draw_labels=True, linewidth=0., color='k', alpha=0.5, linestyle='--')
    gl.top_labels = False ##关闭上侧坐标显示
    gl.right_labels = False ##关闭右侧坐标显示
    gl.xformatter = LONGITUDE_FORMATTER ##坐标刻度转换为经纬度样式
    gl.yformatter = LATITUDE_FORMATTER 
    gl.xlocator = mticker.FixedLocator(np.arange(extent[0], extent[1]+1, 5))
    gl.ylocator = mticker.FixedLocator(np.arange(extent[2], extent[3]+1, 5))
    gl.xlabel_style={'size':10}
    gl.ylabel_style={'size':10}
    ax.set_extent(extent)     #显示所选择的区域

#----------修改国界，并添加省界-----------------------------
    with open('C:/Users/hj/.local/share/cartopy/shapefiles/natural_earth/physical/CN-border-La.dat') as src:
        context = src.read()
        blocks = [cnt for cnt in context.split('>') if len(cnt) > 0]
        borders = [np.fromstring(block, dtype=float, sep=' ') for block in blocks]
    for line in borders:
        ax.plot(line[0::2], line[1::2], '-', color='k',lw=0.3, transform=ccrs.Geodetic())

3.5.4 画填色图和风场图

  1. 首先levels定义了填色图色标的范围，1004-1032之间，间隔1个给一个颜色。
  2. ax.contourf绘制了海平面气压的填色图，参数lon2d, lat2d ,msl_all都是二维的数组，colormap选择了’Spectral_r’，这个可以看个人的需求，网上有很多资源。
  3. ax.quiver是绘制风场的，也需要输入lon2d, lat2d，u,v的信息（此时uv为三维数组，需要挑选自己所需要的层数，变成二维的），scale用来调整画出来的风场的大小，值越大，风的线条越小。width是风线条的粗细，headwidth和headlength是箭头粗细和长度。uv和lat,lon都是每隔5个显示，是为了使风场图不那么密集，这个可以根据自己的需求进行调节。
    最重要的是，一定要加上transform=ccrs.PlateCarree()，图片中地图需要转换下，使地图和数据直接做出来的二维图对应上。
  4. 绘制每个子图的标题，pad代表标题离轴的远近。
    返回了填色图和风场图，这样函数就完成了，后面只需要传递参数调用就行。
#-------------------plot---------------------------
    levels = np.arange(1004, 1032 + 1, 1)
    cb = ax.contourf(lon2d,lat2d,msl_all, levels=levels, cmap='Spectral_r',transform=ccrs.PlateCarree())

    cq = ax.quiver(lon2d[::5,::5],lat2d[::5,::5],u_all[16,::5,::5],v_all[16,::5,::5],color='k',
                   scale=75,zorder=10,width=0.005,headwidth=3,headlength=4.5,transform=ccrs.PlateCarree())   #925hpa->16
    ax.set_title(labels,loc="left",fontsize=12,pad=1)
    return cb, cq

3.6 调用函数，画图

subplots_adjust调整了图片的大小和子图之间的距离等，使图片更加美观。
后面直接进行4次函数调用，就可以啦。

#------------------------plot-----------------------
plt.subplots_adjust(left=0.15,right=0.85,top=0.8,bottom=0.2,wspace=0.15,hspace=0.2)

cb1,cq1=plot4(time_all,ax[0][0],'(a) Mean')
cb2,cq2=plot4(time_clean,ax[0][1],'(b) Clean days')
cb3,cq3=plot4(time_20,ax[1][0],'(c) 10/20')
cb4,cq4=plot4(time_25,ax[1][1],'(d) 10/25')

3.7 添加colorbar

因为是填色图，所以一定要条件colorbar. 因为是4幅图一个色标，所以ax=(ax[0][0],ax[0][1],ax[1][0],ax[1][1])，方向为垂直放置在cb3旁边，tick显示的范围为1004-1032，每隔4个显示。aspect是colorbar的长宽高比例，shrink是代表要显示多长，是百分比。pad是离图片的距离。

cbar=fig.colorbar(cb3,ax=(ax[0][0],ax[0][1],ax[1][0],ax[1][1]),orientation='vertical',ticks=np.arange(1004, 1032 + 4,4),
                  aspect=30,shrink=0.9,pad=0.02)
cbar.ax.tick_params(pad=0.01,length=2,width=0.15)

ax.tick_params里的pad的意思是色标上的数字离色标的距离，length和width是色标tick的长断粗细。

3.8 添加图中的text

为了在图中标出高压和低压中心，需要用ax.text的进行添加。ax为需要添加到哪个图中，0.85和0.87则用百分比的方式决定了点的位置，其他不再赘述，比较简单。一定要添加transform=ax[1][0].transAxes，进行坐标转换。

#--------------------add text----------------------------
ax[1][0].text(0.85,0.87,'L',color='red',fontsize=15,weight='bold',va='bottom',ha='center',transform=ax[1][0].transAxes)
ax[1][1].text(0.92,0.12,'H',color='red',fontsize=15,weight='bold',va='bottom',ha='center',transform=ax[1][1].transAxes)

3.9 图片输出

可以输出eps,pdf等矢量图，也可以有Png这样的栅格图。OK，大功告成！

plt.savefig("Figure2.png")

4. 代码完整版

import matplotlib.pyplot as plt###引入库包
import numpy as np
import matplotlib as mpl
import cartopy.crs as ccrs
import cartopy.feature as cfeature
from cartopy.mpl.gridliner import LONGITUDE_FORMATTER, LATITUDE_FORMATTER
import matplotlib.ticker as mticker
import netCDF4 as nc
import matplotlib.pyplot as plt

mpl.rcParams["font.family"] = 'Arial'  #默认字体类型
mpl.rcParams["mathtext.fontset"] = 'cm' #数学文字字体
mpl.rcParams["font.size"] = 12
mpl.rcParams["axes.linewidth"] = 1
%matplotlib inline

f1=nc.Dataset('E:/winter-photo-data/sum/data/ERA-data/202010-ERA-single.nc')
f2=nc.Dataset('E:/winter-photo-data/sum/data/ERA-data/202010-ERA-pressure.nc')
msl=f1.variables["msl"][:]/100   #pa->hpa
lat=f1.variables['latitude'][:]
lon=f1.variables['longitude'][:]
time=f1.variables['time'][:]
u850=f2.variables["u"][:]
v850=f2.variables["v"][:]
lon2d, lat2d = np.meshgrid(lon, lat)

#-----------------mean-----------------------------
time_all=[(time>=1058760) & (time<=1059096)]   #13-27 Oct
time_20=[(time>=1058928) & (time<=1058951)]   # 20 Oct
time_25=[(time>=1059048) & (time<=1059071)]   # 25 Oct
time_clean=[(time>=1058760) & (time<1058928)] 
proj = ccrs.PlateCarree(central_longitude=130)  #中国为左
fig = plt.figure(figsize=(10,8),dpi=550)  # 创建画布
ax = fig.subplots(2, 2, subplot_kw={'projection': proj})  # 创建子图
def plot4(time_range,ax,labels):
    msl_all=np.mean(msl[time_range],axis=0)
    u_all=np.mean(u850[time_range],axis=0)
    v_all=np.mean(v850[time_range],axis=0)
    
#-----------绘制地图-------------------------------------------

    ax.add_feature(cfeature.LAND.with_scale('50m'))####添加陆地######
    ax.add_feature(cfeature.COASTLINE.with_scale('50m'),lw=0.3)#####添加海岸线#########
    ax.add_feature(cfeature.OCEAN.with_scale('50m'))######添加海洋########

#-----------添加经纬度---------------------------------------
    extent=[100,125,30,50]##经纬度范围
    gl = ax.gridlines(crs=ccrs.PlateCarree(), draw_labels=True, linewidth=0., color='k', alpha=0.5, linestyle='--')
    gl.top_labels = False ##关闭上侧坐标显示
    gl.right_labels = False ##关闭右侧坐标显示
    gl.xformatter = LONGITUDE_FORMATTER ##坐标刻度转换为经纬度样式
    gl.yformatter = LATITUDE_FORMATTER 
    gl.xlocator = mticker.FixedLocator(np.arange(extent[0], extent[1]+1, 5))
    gl.ylocator = mticker.FixedLocator(np.arange(extent[2], extent[3]+1, 5))
    gl.xlabel_style={'size':10}
    gl.ylabel_style={'size':10}
    ax.set_extent(extent)     #显示所选择的区域

#----------修改国界，并添加省界-----------------------------
    with open('C:/Users/hj/.local/share/cartopy/shapefiles/natural_earth/physical/CN-border-La.dat') as src:
        context = src.read()
        blocks = [cnt for cnt in context.split('>') if len(cnt) > 0]
        borders = [np.fromstring(block, dtype=float, sep=' ') for block in blocks]
    for line in borders:
        ax.plot(line[0::2], line[1::2], '-', color='k',lw=0.3, transform=ccrs.Geodetic())

#-------------------plot---------------------------
    levels = np.arange(1004, 1032 + 1, 1)
    cb = ax.contourf(lon2d,lat2d,msl_all, levels=levels, cmap='Spectral_r',transform=ccrs.PlateCarree())

    cq = ax.quiver(lon2d[::5,::5],lat2d[::5,::5],u_all[16,::5,::5],v_all[16,::5,::5],color='k',
                   scale=75,zorder=10,width=0.005,headwidth=3,headlength=4.5,transform=ccrs.PlateCarree())   #925hpa->16
    ax.set_title(labels,loc="left",fontsize=12,pad=1)
    return cb, cq
#------------------------plot-----------------------
plt.subplots_adjust(left=0.15,right=0.85,top=0.8,bottom=0.2,wspace=0.15,hspace=0.2)

cb1,cq1=plot4(time_all,ax[0][0],'(a) Mean')
cb2,cq2=plot4(time_clean,ax[0][1],'(b) Clean days')
cb3,cq3=plot4(time_20,ax[1][0],'(c) 10/20')
cb4,cq4=plot4(time_25,ax[1][1],'(d) 10/25')

cbar=fig.colorbar(cb3,ax=(ax[0][0],ax[0][1],ax[1][0],ax[1][1]),orientation='vertical',ticks=np.arange(1004, 1032 + 4,4),
                  aspect=30,shrink=0.9,pad=0.02)
cbar.ax.tick_params(pad=0.01,length=2,width=0.15)

#--------------------add text----------------------------

ax[1][0].text(0.85,0.87,'L',color='red',fontsize=15,weight='bold',va='bottom',ha='center',transform=ax[1][0].transAxes)
ax[1][1].text(0.92,0.12,'H',color='red',fontsize=15,weight='bold',va='bottom',ha='center',transform=ax[1][1].transAxes)


plt.savefig("Figure2.png")
qylirene
关注
  • 69
    点赞
  • 踩
  • 466
    收藏
    觉得还不错? 一键收藏
  • 16
    评论
专栏目录
ERA5数据简介和波段介绍（含GEE案例展示）
qq_31988139的博客
06-09 3319
ERA5 is the fifth generation ECMWF atmospheric reanalysis of the global climate. Reanalysis combines model data with observations from across the world into a globally complete and consistent dataset. ERA5 replaces its predecessor, the ERA-Interim reanalys
气象信息可视化（四）——流场可视化实验
qq_42953042的博客
01-19 1816
1．绘制某个时次的950hPa、500hPa 和 200hPa 水平风场流线图。以及平均海平面气压场数据MSLP，得到典型气压层的。2．实现一个简单的台风中心位置自动判识方法。利用ERA5再分析资料水平风速场数据。3．台风中心位置判识。4．台风移动路径绘制。
ERA5 hourly data on pressure levels数据处理/Python（一）
jnbvcyn的博客
07-03 562
数据已重新划分为 0.25 度的常规经纬度网格，用于重新分析，0.5 度用于不确定性估计（海浪分别为 0.5 度和 1 度）。有四个主要子集：每小时和每月产品，包括气压水平（高空场）和单一水平（大气、海浪和陆地表面量）。是 ECMWF 对过去 80 年全球气候和天气的第五代再分析。数据可从 1940 年开始提供。ERA5 提供大量大气、海浪和陆地表面量的每小时估计值。熟悉ERA5数据，提取某一时次某一经纬度的温度、U风、V风，绘制垂直廓线。5.2 生成日、月等数据，分析特征。5.3 看相关文献整理思路。
python ERA5 画水汽通量散度图地图：风速风向矢量图、叠加等高线、色彩分级、添加shp文件、添加位置点及备注
VictoriaLy的博客
04-24 2456
有个同事吧，写论文，让我帮忙出个图，就写了个代码，然后我的博客好久没更新了，就顺便贴上来了！很多人感兴趣风速的箭头怎样画，可能这种图使用 NCL 非常容易，很多没用过代码的小朋友，就有点犯怵，怕 python 画起来很困难。但是不然，看完我的代码，就会发现很简单，并且也可以批量，同时还能自定义国界等shp文件，这对于发sci等国际论文很重要，因为有时候内置的国界是有问题的。
python 分布图_咩咩画图 | Python绘制全球海平面气压分布图
weixin_30134145的博客
01-24 4632
上个学期一轮复习花了大把时间在大气运动上。一些题目中，气压带风带移来移去，风向变来变去，再叠加上海陆热力性质差异，最后谈对某个小尺度区域气候的影响，到头来总是被弄得一头雾水，有时候真的很难找个好的解释来忽悠学生。再加上学生手头上关于气压中心和风向的资料又少，最后题目的讲解就变成了我的独角戏！！！罪过啊！！！突发奇想，那干脆用Python自己来画一组全球海平面气压分布图哩。下图为学生手头的...
python气象数据可视化学习笔记8——利用matplotlib和ERA5数据绘制时间-高度气象综合廓线图
qiuylulu的博客
03-07 5521
利用matplotlib和ERA5数据绘制时间-高度气象综合廓线图
基于气象数据ERA5的Python绘制风场
weixin_43536702的博客
10-20 3943
气象数据ERA5 数据可视化 ArcGIS也能做 这里是Python
python绘制风压和风向叠加图
tuoyunzhe的博客
05-23 1221
掌握python绘制风压和风向叠加图。
python气象数据可视化学习笔记7——利用cartopy+cnmaps和ERA5数据绘制填色图并对中国地区白化
qiuylulu的博客
11-18 6685
利用python cartopy+cnmaps， 基于ERA5数据绘制contour填色图，并对中国地区进行白化，且添加了南海小地图和九段线
基于python的天气预报系统设计和可视化数据分析
06-18
python或jutyper 都可成功运行，编写的基于爬虫的和TK界面的天气预报系统，可选择多个城市，15天天气，数据绘图处理以及数据保存，代码python和jutyper均可成功运行 (内含py文件和必要文件)
使用Python进行气象数据分析与可视化.zip
01-06
在Python编程语言中，气象数据分析与可视化是一项重要的应用领域，特别是在环境科学、气候研究和气象预报中。这个压缩包“使用Python进行气象数据分析与可视化.zip”包含了一个名为“WeatherToData-master”的项目，...
python数据可视化——柱状图1
12-30
先看效果： Caption 代码如下： # -*- coding: utf-8 -*- import matplotlib.pyplot as plt def draw_bar(same_score, diff_score): plt.title(same/different pairs seq score histogram) plt.hist(same_score, ...
基于Python的机器学习天气预测与数据可视化完整源码
03-25
项目概述：本项目是一项基于Python语言的机器学习天气预测和数据可视化课程设计。项目主要运用Python编程语言，结合HTML进行前端展示，共包含24个文件，其中包含了12张jpg格式的图像文件，4个Python源代码文件，4个...
python数据可视化 - Matplotlib——基于jupyter
02-21
该文件是.ipynb，可直接用jupyter打开运行 Matplotlib是一个强大的绘图工具，能满足几乎所有的2D和一些3D绘图的需求。... seaborn基础还是matplotlib，所有利用python进行数据分析可视化，学习matplotlib是基础。
Python可视化 | 使用Python分析气象数据进行可视化如此简单
xx16755498979的博客
05-29 4877
使用Cartopy和Xarray可视化气候数据，使用Python进行气候数据可视化。尽管现在有很多BI工具，但Python仍然是非常优秀的数据可视化工具。它的简单性允许用户以有意义的方式快速阅读大量类型的数据。Python在读取非结构化数据方面非常高效，例如有关气候的数据。大多数此类数据通常以grib/grib2格式（广泛用于气象学）或NC文件（用于存储多维数据的NetCDF格式）分发。
Python气象绘图之Cartopy
m0_63303223的博客
11-16 3394
Python画图之Cartopy
IDL 处理ERA5的NC格式的温度及海平面气压数据
XinemaChen的博客
12-02 2526
首先是我的数据下载方面，从官网上直接下载没有使用代码，因此所有下载的数据都放到一个NC文件中了（当然2m温度和气压是分开的） 我主要下载的区域是北纬30-90，每日只下载四个时间，0 6 12 18，也只下载6个月的，1-3、10-12月 nc文件可以尝试使用panoly打开看看，每个月和每个时间是按顺序排好的 我利用以下的代码来处理2m温度和海平面气压数据 值得注意的点是，在读取数据时，还要读取校正系数和偏差，即下面的a和b变量，并且注意读取时数据格式是int，运算时需要先对数组乘以1.0变成fl
【数据可视化应用】气象绘图（附Python代码）
wenyusuran的专栏
07-03 1473
数据 本文使用数据来自：https://psl.noaa.gov/data/gridded/data.ncep.reanalysis.derived.surface.html 北半球冬季平均经向风 难点：各种库的下载与安装，主要难点在xarray上。 因为不需要设置地图，此图还是比较简单的。结果和代码如下。 fig4.2 importmatplotlib.pyplotasplt importxarrayasxr importnumpyasnp importmatplot......
【Python】入门到放弃之第九章《字典》
最新发布
MP13537560060的博客
08-15 665
这是本系列的第九章节内容，《字典》。在Python中，字典（Dictionary）是一种内置的数据结构，用于存储键值对（key-value pairs）。字典是可变的，意味着你可以在创建字典后添加、删除或修改其中的元素。字典的键（key）必须是唯一的，并且是不可变的（即，它们必须是不可变数据类型，如字符串、数字或元组，但不能是列表或字典等可变类型）。字典的值（value）则可以是任何数据类型，包括列表、元组、字典等。以上，就是Python中字典的全部内容。
python气象数据可视化
05-18
Python有很多用于气象数据可视化的工具和库，以下是其中一些： 1. Matplotlib：是Python中最常用的绘图库之一，可以用于绘制各种类型的气象数据图像，如风速和温度变化图表、等高线图等。 2. Basemap：是Matplotlib的一个扩展库，可以绘制地图和气象数据可视化。它支持各种投影方式，如正射投影、等面积投影等。 3. Cartopy：是一个开源的Python库，用于处理地图数据和卫星图像。它可以绘制各种类型的地图、等高线图、气压图等。 4. MetPy：是一个专门用于气象数据处理和可视化的Python库。它提供了用于处理常见气象数据格式的工具，并且可以生成各种类型的气象图像，如风羽图、雷达图等。 5. Seaborn：是一个基于Matplotlib的库，提供了更高级的统计图表和数据可视化功能。它可以用于绘制各种类型的气象数据图表，如箱线图、热力图等。 以上是一些常用的Python气象数据可视化工具和库，你可以选择适合自己的工具进行使用。
评论 16
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值