网站做闪电电磁,网站建设 佛山,邯郸网站建设渠道,网站模块功能对于气象绘图来讲#xff0c;第一步是对数据的处理#xff0c;通过各类公式#xff0c;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#xff0c;我给出了一些常用到的统计方法的对应函数#xff1a;
import numpy as np
平均值
在计算气候态#xff0…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
import numpy as np
平均值
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np.mean()函数
numpy.mean(a, axis, dtype)
假设a为[time,lat,lon]的数据那么
·axis 不设置值对 timelatlon 个值求均值返回一个数
·axis 0压缩时间维对每一个经纬点求均值返回 [lat, lon] 数组(如求一个场的N年气候态)
·axis 1,2 压经度纬度对每个时间求平均值返回 [time] 矩阵(如求某时间序列或指数)
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(np.nan)计算的结果均为np.nan比如求[1,2,3,4np.nan]的平均值结果为np.nan
因此当数据存在缺测数据时通常使用np.nanmean()函数用法同上此时[1,2,3,4np.nan]的平均值为(1234)/4 2.5
同样的求某数组最大最小值时也有np.nanmax(), np.nanmin()函数来补充np.max(), np.min()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
a[np.isnan(a)] 0
也可以直接将a中缺失值全部填充为0。
标准差
np.std(a, axis, dtype)
用法同np.mean()
标准化
在NCL中有直接求数据标准化的函数dim_standardize()
我目前并未找到python中可以直接求数据标准化的函数(sklearn库中有标准化但感觉不如公式直接计算方便)。根据公式x (x - np.mean(x)) / np.std(x)
其实也就是一行的事根据需要指定维度即可。
相关系数
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np.corrcoef(x, y)就可以实现相关计算。但是在这里我推荐scipy.stats中的函数来计算相关系数
from scipy.stats import pearsonr
r,p pearsonr(x, y)
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。
r np.zeros((a.shape[1],a.shape[2]))
p np.zeros((a.shape[1],a.shape[2]))
for i in range(sic.shape[1]):
for j in range(sic.shape[2]):
r[i,j], p[i,j] pearsonr(b , a[:,i,j])
其中a[time,lat,lon]b[time]
线性回归系数
(NCL中为regcoef()函数)
同样推荐Scipy库中的stats.linregress(x,y)函数
slope, intercept, r_value, p_value, std_err stats.linregress(x,y)
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。
