Python气象数据处理与绘图(18)：泰勒图

泰勒图绘制的核心思想是设计一个只有第一象限的极坐标，并将方差，相关系数进行捆绑，通过转化为极坐标系坐标进行绘制。为了实现泰勒图的绘制，我设计了两个函数：

set_tayloraxes(fig, location=111) 和plot_taylor(axes, refsample, sample, args, kwargs)

set_tayloraxes()函数用于建立一个泰勒图的坐标系，这个自定义函数一般情况下不建议修改，每一个参数都是经过多次调试得到的，很可能牵一发动全身。因此，将绘图部分的独立成为了plot_taylor函数()，这部分函数较为简单，目的就是将需要绘图的数据，转换为极坐标系坐标，通过plot函数将散点打在泰勒图上，这个函数模块较为简单，可以根据自己的输入数据情况进行调整。

下面介绍下函数的具体用法：

输入：

fig： 需要绘图的figure

rect：图的位置，如111为1行1列第一个，122为1行2列第2个

输出：

polar_ax：泰勒坐标系

输入：

axes : setup_axes返回的泰勒坐标系

refsample ：参照样本

sample ：评估样本

args, kwargs ：pltplot()函数的相关参数，设置点的颜色，形状等等。

下面给出示例：

前几文主要讲的是如何处理Xarray中的DataArray和DataSet，现在分享一下如何从nc文件或其他文件中读取数据，以及如何将处理好的数据输出成一个nc文件。

首先还是要再强调DataArray和DataSet的区别，DataArray是一个带标签结构的数组，DataSet是一个数据集，这意味着，从一个nc文件中读取到的全部信息构成了一个DataSet，而nc文件中的某一个变量是一个DataArray。

反之，我们要将一个数据写成nc文件，那么就是要创建一个DataSet。

这个数据结构有点像站点数据，对xy维设定了两层，分别是经纬度，还有一维时间维(whatever，反正是随便创建一个DataSet)。

就可以输出成nc文件了。

当然还可以更懒一点，

直接将abc这个DataArray转成DataSet，DataArray的标签和纬度信息会自动转换。

之后使用to_netcdf即可。

读取的语句也十分简单。

函数只需要基本的路径及文件名，无需像NCL一样声明状态'r'。

Xarray读取多文件也提供了相应函数(我目前没有使用过，我通常都是使用CDO提前处理，大家可以自行尝试)。

根据官方的介绍，Xarray也支持grib文件的读取。

前提是需要一个解码库"eccodes"

或者利用Xarray借助PYNIO去读。

官方文档中还有一部分是关于画图的，然而画图部分个人认为使用matplotlib+cartopy的组合更加灵活，因此Xarray系列到这里应该就完结了。

下一步的计划是按照魏凤英老师的统计方法一书，试着将常用的气象统计方法利用python去实现，但是水平实在有限。

# 风速 74-95 96-110 111-130 131-154 155及以上

# 级别 1 2 3 4 5

# 请编写程序，根据用户输入的风速，输出对应的飓风等级。

# 从测试集得到风速

velocity = int(input())

# 默认是0级

rank = 0

# 如果风速在74到95之间，输出1

if velocity >= 74 and not velocity > 95:

rank += 1

# 如果风速在96到110之间，输出2

elif velocity >= 96 and not velocity > 110:

rank += 2

# 如果风速在111到130之间，输出3

elif velocity >= 111 and not velocity > 130:

rank += 3

# 如果风速在131到154之间，输出4

elif velocity >= 131 and not velocity > 154:

rank += 4

# 如果风速大于155，输出5

elif velocity >= 155:

rank += 5

print(rank)

抓取温度云图数据需要先找到数据源，通常可以通过以下几种方式来获取：

使用API：有些网站提供API接口，可以通过编写Python代码来获取数据。例如，National Oceanic and Atmospheric Administration (NOAA)提供了RESTful API，可以用来获取气象数据，包括温度云图数据。

网络爬虫：通过编写Python爬虫程序，可以从网站上抓取温度云图数据。这种方式需要注意遵守网站的使用协议，不要违反网站规定。

以下是使用API的方法：

首先，需要注册NOAA的API账号，获取API密钥。

编写Python代码，使用requests库向API发送请求，并解析响应数据。以下是一个简单的示例代码：

import requests

import json

# 设置API请求参数

params = {

'product': 'sst',

'sensor': 'ghrsst',

'date': '2022-03-01',

'bbox': '-180,-90,180,90',

'format': 'json',

'access_token': 'your_access_token'

}

# 发送API请求

response = requestsget('>

# 解析响应数据

data = jsonloads(responsetext)

# 获取温度云图数据

temp_cloud_data = data['temperature_cloud']

注意：以上示例代码中，需要将your_access_token替换为你自己的API密钥。

3对获取到的温度云图数据进行处理和分析，然后将其可视化。

以上是一个简单的方法来获取温度云图数据，具体的实现方式可能因数据源不同而有所不同。在实际应用中，还需要考虑数据的格式、精度、更新频率等因素，以确保数据的准确性和可靠性。

这部分同pandas的gorupby函数基本相同，实现对数据的分组归类等等。

split·将数据分为多个独立的组。

apply·对各个组进行 *** 作。

combine·将各个组合并为一个数据对象。

创建一个dataset

我对官网的例子加以修改以便更好的理解。

解释下数据结构，创建了一个二维数据u(lat, lon)，坐标数据为latitude 和country ，强调一下这里创建的是dataset,而不是dataArray，分不清的可以再看看本系列的第一篇文章。坐标数据不等于u的坐标。创建coords部分都指明了latitude 和 country 都是针对lat的扩展。

我们可以这样理解，对于纬度的分类，我们可以按纬度的大小分，也就是"latitude": [10, 20, 30, 40] ； 我们也可以对纬度所在的国家分，"country": ("x", list("abba") ，那比如我们想求某个国家的数据的平均时就十分方便。

下边我们进行分组：

说明第0和第4个数是国家a的，第2和第3是国家b的。

groups换成mean() 则就是对分组求平均，以此类推。

必须添加一个list才可以将其分类结果打印出来。直接打印DatasetGroupBy object是不能输出结果的。

那么针对经纬度的坐标的分组怎么实现呢，比如说选出区间在多少到多少之间的？

groupby_bins() 函数可以解决这一问题。

还是这个数据，"latitude": [10, 20, 30, 40]

那我们想以25为界，分为两组，0-25，25-50

在进行了分组后，要对各个分组进行计算。

我们先从dataset 中取出 u 这个dataarray

比如是实现前边提到的按国家进行数据平均,或者标准化

也可以通过map()函数使用一些自定义的函数，比如说标准化，

这个用法是官方提供的，但是我的Xarray版本过低，还不支持这种用法(Xarray会定期更新，以至于可能我介绍过的一些方法有了更简便的 *** 作，大家可以在评论区留言)。

强调一句，Xarray官方的更新是比较快的，很可能我写在这里的函数官方又给出了更新的版本，但是我没办法做到时刻与官方最新同步，所以如果遇到问题，最好的解决办法还是去查阅官方文档的对应部分。

这一部分涉及到了常用的 *** 作，比如调换维度的位置，给数据重新reshape换形等等，建议大家可以认真阅读这部分。

老样子，先新建一个数组

比如说在求某个东西时需要将时间维放在最后一维，但是数据本身的时间在第一维，那么便可以用到这个 *** 作。

第一种是精准换位，指定每个维度的位置

第二种是单独换位，只对指定维度换位,将time放在最后，其余不变

第三种为全部换位，相当于数组转置

扩展指增加一个维度，压缩指将一个维度挤压掉

官方文档中接下来有一段是关于DataArray向DataSet转换的，个人感觉放在这一章节并不合理，我后边会整理放进Python气象数据处理进阶之Xarray(1)中(我觉得两种基础数据结构以及互相转换应该最开始介绍的)。所以接下来跳过这部分。

个人感觉可能处理站点数据会用到这个方法

换一个数组演示

现在将这个2维数组堆叠成1维

也可以拆分，其实就是反堆叠

最重要的是不同于Pandas，Xarray的stack不缺自动丢失缺测值！！！

Xarray还提供了将不同变量stack的例子，有兴趣的可以去看看。这个用法感觉比较鸡肋

这块比较难理解，建议还是先读第一篇文章，弄清数据结构，da数组显示Dimensions without coordinates: x，而通过daset_index函数，将X设置为混合索引号。

之后便可以实线自由索引：

通过mdareset_index('x')重置。

reorder_levels()函数允许调换索引顺序（个人感觉比较鸡肋）

这小节应该是这篇文章和数组换形换维同等重要的。

这就是对数组进行滚动。这个的作用主要在于做差分计算。虽然前边讲过Xarray提供了中央差计算函数，但是仍需要更灵活的 *** 作，滚动函数就实现了这个目的。

对于气象绘图来讲，第一步是对数据的处理，通过各类公式，或者统计方法将原始数据处理为目标数据。

按照气象统计课程的内容，我给出了一些常用到的统计方法的对应函数：

在计算气候态，区域平均时均要使用到求均值函数，对应NCL中的dim_average函数，在python中通常使用npmean()函数

numpymean(a, axis, dtype)

假设a为[time,lat,lon]的数据，那么

需要特别注意的是，气象数据中常有缺测，在NCL中，使用求均值函数会自动略过，而在python中，当任意一数与缺测(npnan)计算的结果均为npnan，比如求[1,2,3,4，npnan]的平均值，结果为npnan

因此，当数据存在缺测数据时，通常使用npnanmean()函数，用法同上，此时[1,2,3,4，npnan]的平均值为(1+2+3+4)/4 = 25

同样的，求某数组最大最小值时也有npnanmax(), npnanmin()函数来补充npmax(), npmin()的不足。

其他很多np的计算函数也可以通过在前边加‘nan’来使用。

另外，

也可以直接将a中缺失值全部填充为0。

npstd(a, axis, dtype)

用法同npmean()

在NCL中有直接求数据标准化的函数dim_standardize()

其实也就是一行的事，根据需要指定维度即可。

皮尔逊相关系数：

相关可以说是气象科研中最常用的方法之一了，numpy函数中的npcorrcoef(x, y)就可以实现相关计算。但是在这里我推荐scipystats中的函数来计算相关系数：

这个函数缺点和有点都很明显，优点是可以直接返回相关系数R及其P值，这避免了我们进一步计算置信度。而缺点则是该函数只支持两个一维数组的计算，也就是说当我们需要计算一个场和一个序列的相关时，我们需要循环来实现。

其中a[time,lat,lon]，b[time]

(NCL中为regcoef()函数)

同样推荐Scipy库中的statslinregress(x,y)函数：

slop: 回归斜率

intercept：回归截距

r_value： 相关系数

p_value： P值

std_err： 估计标准误差

直接可以输出P值，同样省去了做置信度检验的过程，遗憾的是仍需同相关系数一样循环计算。

以上就是关于Python气象数据处理与绘图(18)：泰勒图全部的内容，包括:Python气象数据处理与绘图(18)：泰勒图、Python气象数据处理进阶之Xarray(7)：读写文件、Python问题 原题为educoder控制程序一 根据用户输入的风速，输出对应的飓风等级等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！