python读取nc文件转成img_使用python的netCDF4库读取.nc文件 和 创建.nc文件[转]

使用python netCDF4库读取.nc文件 和 创建.nc文件

1. 介绍

.nc(network Common Data Format)文件是气象上常用的数据格式，python上读取.nc使用较多的库为netCDF4这个库，下面将介绍这个库的具体方法。

.nc文件的读取

#导入nc库

import netCDF4 as nc

filename = '2017-06-15_2017-06-17.nc' # .nc文件名

f = nc.Dataset(filename) #读取.nc文件，传入f中。此时f包含了该.nc文件的全部信息

step1： 查看.nc文件的全部变量，及该变量的全部信息(维度大小，单位等)

all_vars = f.variables.keys() #获取所有变量名称

print(len(all_vars)) #长度为18

all_vars_info = f.variables.items() #获取所有变量信息

print(type(all_vars_info)) #输出为： odict_items 。这里将其转化为 list列表

print(len(all_vars_info)) #长度为18

all_vars_info = list(all_vars_info) #此时每个变量的信息为其中一个列表

如图：包含经纬度、时间、等变量名称

看看 all_vars_info的前两个变量的信息，如下，显示了 shape unit name float32 fillvalue等信息

step2： 查看.nc文件的单个变量，及该变量的全部信息(维度大小，单位等)

如果对某个变量感兴趣(已知变量名)，想查看这个变量的信息，获取这个变量的数据，方法如下：

我们要查看 ’u‘的信息

var = 'u'

var_info = f.variables[var] #获取变量信息

var_data = f[var][:] #获取变量的数据

print(var_info)

print(var_data.shape)

#很方便转化为array数组

print(type(var_data)) # .nc文件的变量数组都为Masked array

var_data = np.array(var_data) #转化为np.array数组

输出如下：

注意：完成上述操作之后，记得关掉该文件

f.close() #关闭文件。如果文件关闭后，再使用f.variabels.items()等操作是行不通的。

3. nc文件的创建

step1： 创建一个文件

f_w = nc.Dataset('hecheng.nc','w',format = 'NETCDF4') #创建一个格式为.nc的，名字为 ‘hecheng.nc’的文件

step2： 写入一些基本的信息

.nc文件的里面的每个变量都有维度信息，比如，上面的 var=‘u’,维度为 1237161*177。这里面的各个维度，并不是随便定义的，是与基础的变量信息相关的。

如[12,37,161,177] = [time,level,latitude,longitude],第一个维度为时间信息，依次为 垂直层信息，纬度、经度信息。

所以，我们要先写入一些基本的信息：时间，垂直层，纬度，经度

#time纬度为12。注意，第2个参数 表示维度，但是必须是 integer整型，也就是只能创建一个基础单一维度信息。

#如果后面要创建一个变量维度>1，则必须由前面的单一维度组合而来。后面会介绍。

#确定基础变量的维度信息。相对与坐标系的各个轴(x,y,z)

f_w.createDimension('time',12)

f_w.createDimension('level',37)

f_w.createDimension('lat',161)

f_w.createDimension('lon',177)

##创建变量。参数依次为：‘变量名称’，‘数据类型’，‘基础维度信息’

f_w.createVariable('time',np.int,('time'))

f_w.createVariable('level',np.int,('level'))

f_w.createVariable('lat',np.float32,('lat'))

f_w.createVariable('lon',np.float32,('lon'))

#写入变量time的数据。维度必须与定义的一致。

time = np.array([0,6,12,18,0,6,12,18,0,6,12,18])

f_w.variables['time'][:] = time

#新创建一个多维度变量，并写入数据，

f_w.createVariable( 'u', np.float32, ('time','level','lat','lon'))

var_data = np.ones(shape=(12,37,161,177), dtype = np.float32)

f_w.variables[var][:] = var_data

关闭文件

f_w.close()

还可以写入fill_value等信息

按照上述方式创建完成后，用一些可视化软件打开，结果如上图。

step3： 创建群组

如上图，所以变量都是平行的位置，如果变量特别多，将相同类型的变量放进同一个group中，会更加方便。

来看一个示例：

f_w = nc.Dataset('haha4.nc','w',format = 'NETCDF4')

f_w.createDimension('time',12)

f_w.createDimension('level',37)

f_w.createDimension('lat',161)

f_w.createDimension('lon',177)

f_w.createVariable('time',np.int,('time'))

f_w.createVariable('level',np.int,('level'))

f_w.createVariable('lat',np.float32,('lat'))

f_w.createVariable('lon',np.float32,('lon'))

time = np.array([0,6,12,18,0,6,12,18,0,6,12,18])

f_w.variables['time'][:] = time

f_w.variables['level'][:] = level

f_w.createVariable( 'q', np.float32, ('time','level','lat','lon'))

var_data = np.ones(shape=(12,37,161,177), dtype = np.float32)

f_w.variables['q'][:] = var_data

#创建一个群组，名字为'wind'

group1 = f_w.createGroup('wind')

group1.createVariable( 'u', np.float32, ('time','level','lat','lon'))

var_data = np.ones(shape=(12,37,161,177), dtype = np.float32)

group1.variables['u'][:] = var_data

group1.createVariable( 'v', np.float32, ('time','level','lat','lon'))

var_data = np.zeros(shape=(12,37,161,177), dtype = np.float32)

group1.variables['v'][:] = var_data

group1.close # 关闭群组， 注意，这里没有括号

f_w.close()

创建结果如下：

看，group的信息出来了

**#step4：查看带有group的.nc文件的信息 **

f1 = nc.Dataset('haha5.nc')

vars = f1.variables.keys() #odict_keys(['time', 'level', 'lat', 'lon', 'q']) 看不到groups信息

#通过以下命令

group_name = f1.groups.keys() #获取组名,输出为：odict_keys(['wind'])

使用如下命令都能看到group内的变量的信息。

#获取group内的变量的数据

group_var_data = f1['wind']['u'][:]

print(group_var_data.shape) #(12, 37, 161, 177)

总结

气象上常用除了.nc文件外，还有 hdf文件，这两者格式都差不多，但是我更爱.hdf格式文件

后面有机会再介绍.hdf文件的读写操作。

————————————————

版权声明：本文为CSDN博主「fangzuliang」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/weixin_43718675/article/details/102158535