想如今气象数据netCDF(.nc)为盛,用者甚多,初学者见之仰天长啸,倘若再由Python经手,netCDF4-python,Iris,xarray,UV-CDAT选择众多,劳心伤神事小,逼出选择困难症事大。多番比对,选用xarray,解查安抚,化繁为简,最为称心。
说人话就是,经学前班大队长亲测利用Python中的xarray库处理nc数据非常方便。
安装
xarray的安装依旧推荐使用conda,还不会的小伙伴移步:一文教你解决Python所有安装配置
conda install xarray
在终端里输入如上命令,之后输入y,等待安装结束就好了。
数据结构
xarray有两大数据类型:DataArray、Dataset。
DataArray
一个带有标签的多维数组,它有如下几个重要的属性
values
获取数组的具体数值dims
获取维度的名字,如('x', 'y', 'z')
coords
获取一个类似于字典的结果,里面包含各个坐标attrs
获取原始数据的属性,比如变量的名字、单位等
Dataset
Dataset可以简单的理解为由多个DataArray组成的集合,它有如下几个重要的属性
dims
获取维度的名字,结果类似于字典,如{'x': 6, 'y': 6, 'time': 8}
data_vars
获取物理量的名字coords
获取一个类似于字典的结果,里面包含各个坐标attrs
获取原始数据的属性,比如变量的名字、单位等
数据类型的使用
读取数据:
xarray.open_dataset()读取Dataset类型数据,即能读取多个物理量。
xarray.open_dataarray()读取DataArray类型数据,即只能读取单个物理量。
如果nc文件中含有多个物理量,用open_dataarray()读取会报错,因此建议统一都用open_dataset()来读取文件。
提取物理量
从文件中读取数据ds = xarray.open_dataset()
假如数据中含有一个名为var的物理量可以通过ds.var
或ds[var]
来获取
实例
此处使用的是ERA-Interim中2018年的月数据,包含10米的径向风、纬向风和2米气温,在ECMWF注册过的都可以直接下载。下面代码部分建议大家横屏阅读。
>>>import xarray as xr# 由于数据包含了多个物理量(u10,v10,t2m),所以要用open_dataset来读取数据>>>ds = xr.open_dataset('EC-Interim_monthly_2018.nc')# ds的类型为Dataset,里面包含u10,v10,t2m三个物理量,每个物理量都有经度、纬度、时间三个坐标系>>>dsDimensions: (latitude: 241, longitude: 480, time: 12)Coordinates: * longitude (longitude) float32 0.0 0.75 1.5 2.25 .. 357.75 358.5 359.25 * latitude (latitude) float32 90.0 89.25 88.5 87.75 .. -88.5 -89.25 -90.0 * time (time) datetime64[ns] 2018-01-01 2018-02-01 .. 2018-12-01Data variables: u10 (time, latitude, longitude) float32 .. v10 (time, latitude, longitude) float32 .. t2m (time, latitude, longitude) float32 ..Attributes: Conventions: CF-1.6 history: 2019-03-28 02:03:39 GMT by grib_to_netcdf-2.12.0: grib_to_n...# 取出ds中名为t2m的物理量,可以看到它的维度,坐标系,以及t2m有单位和名字两个属性>>>ds['t2m']'t2m' (time: [13e88160 values with dtype=float32]Coordinates: * longitude (longitude) float32 0.0 0.75 1.5 2.25 ... 357.75 358.5 359.25 * latitude (latitude) float32 90.0 89.25 88.5 87.75 ... -88.5 -89.25 -90.0 * time (time) datetime64[ns] 2018-01-01 2018-02-01 ... 2018-12-01Attributes: units: K long_name: 2 metre temperatur
通过xarray可以清晰的了解nc数据中的维度、坐标、物理量以及各种属性等信息。清晰的数据结构是准确、高效地分析数据的基础
简单的可视化
了解完数据结构,再来看一看数据可视化的结果。xarray封装了matplotlib的部分绘图函数,一行代码就可以将数据画出来,不过作为一个负责的公众号,还是用cartopy顺带加载了地图。
import numpy as npimport xarray as xrimport cartopy.crs as ccrsimport cartopy.feature as cfeatfrom cartopy.mpl.gridliner import LONGITUDE_FORMATTER, LATITUDE_FORMATTERimport matplotlib.pyplot as plt# 数据读取及时间平均处理ds = xr.open_dataset('EC-Interim_monthly_2018.nc')temp = (ds['t2m'] - 273.15).mean(dim='time') #把温度转换为℃并对其时间纬求平均temp.attrs['units'] = 'deg C' #温度单位转换为℃# 创建画图空间proj = ccrs.PlateCarree() #创建投影fig = plt.figure(figsize=(9,6)) #创建页面ax = fig.subplots(1, 1, subplot_kw={'projection': proj}) #子图# 设置地图属性:加载国界、海岸线、河流、湖泊ax.add_feature(cfeat.BORDERS.with_scale('50m'), linewidth=0.8, zorder=1)ax.add_feature(cfeat.COASTLINE.with_scale('50m'), linewidth=0.6, zorder=1) ax.add_feature(cfeat.RIVERS.with_scale('50m'), zorder=1) ax.add_feature(cfeat.LAKES.with_scale('50m'), zorder=1) # 设置网格点属性gl = ax.gridlines(crs=ccrs.PlateCarree(), draw_labels=True, linewidth=1.2, color='k', alpha=0.5, linestyle='--')gl.xlabels_top = False #关闭顶端标签gl.ylabels_right = False #关闭右侧标签gl.xformatter = LONGITUDE_FORMATTER #x轴设为经度格式gl.yformatter = LATITUDE_FORMATTER #y轴设为纬度格式# 设置colorbarcbar_kwargs = { 'orientation': 'horizontal', 'label': '2m temperature (℃)', 'shrink': 0.8, 'ticks': np.arange(-30,30+5,5)}# 画图levels = np.arange(-30,30+1,1)temp.plot.contourf(ax=ax, levels=levels, cmap='Spectral_r', cbar_kwargs=cbar_kwargs, transform=ccrs.PlateCarree())fig.show()
后面还有一些与nc数据相关的操作和画图,感兴趣的伙计们赶快关注我们。
本文数据
https://apps.ecmwf.int/datasets/data/interim-full-moda/levtype=sfc/
往期回顾:
背向NCL,面向对象
气象数据的常用格式以及处理的工具
使用Python处理NetCDF格式文件
如何用python画图——带你入门matplotlib
如何用python画图--matplotlib实例与补充