對于氣象繪圖來講，第一步是對數據的處理，通過各類公式，或者統計方法將原始數據處理為目標數據。

按照氣象統計課程的內容，我給出了一些常用到的統計方法的對應函數：

import numpy as np

平均值

在計算氣候態，區域平均時均要使用到求均值函數，對應NCL中的dim_average函數，在python中通常使用np.mean()函數

numpy.mean(a, axis, dtype)

假設a為[time,lat,lon]的數據，那么

·axis 不設置值，對 timelatlon 個值求均值，返回一個數

·axis = 0：壓縮時間維，對每一個經緯點求均值，返回 [lat, lon] 數組(如求一個場的N年氣候態)

·axis =1,2 ：壓經度緯度，對每個時間求平均值，返回 [time] 矩陣(如求某時間序列，或指數)

需要特別注意的是，氣象數據中常有缺測，在NCL中，使用求均值函數會自動略過，而在python中，當任意一數與缺測(np.nan)計算的結果均為np.nan，比如求[1,2,3,4，np.nan]的平均值，結果為np.nan

因此，當數據存在缺測數據時，通常使用np.nanmean()函數，用法同上，此時[1,2,3,4，np.nan]的平均值為(1+2+3+4)/4 = 2.5

同樣的，求某數組最大最小值時也有np.nanmax(), np.nanmin()函數來補充np.max(), np.min()的不足。

其他很多np的計算函數也可以通過在前邊加‘nan’來使用。

另外，

a[np.isnan(a)] = 0

也可以直接將a中缺失值全部填充為0。

標準差

np.std(a, axis, dtype)

用法同np.mean()

標準化

在NCL中有直接求數據標準化的函數dim_standardize()

我目前并未找到python中可以直接求數據標準化的函數(sklearn庫中有標準化，但感覺不如公式直接計算方便)。根據公式，

x = (x - np.mean(x)) / np.std(x)

其實也就是一行的事，根據需要指定維度即可。

相關系數

皮爾遜相關系數：

相關可以說是氣象科研中最常用的方法之一了，numpy函數中的np.corrcoef(x, y)就可以實現相關計算。但是在這里我推薦scipy.stats中的函數來計算相關系數：

from scipy.stats import pearsonr

r,p = pearsonr(x, y)

這個函數缺點和有點都很明顯，優點是可以直接返回相關系數R及其P值，這避免了我們進一步計算置信度。而缺點則是該函數只支持兩個一維數組的計算，也就是說當我們需要計算一個場和一個序列的相關時，我們需要循環來實現。

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]

線性回歸系數

(NCL中為regcoef()函數)

同樣推薦Scipy庫中的stats.linregress(x,y)函數：

slope, intercept, r_value, p_value, std_err = stats.linregress(x,y)

slop: 回歸斜率

intercept：回歸截距

r_value： 相關系數

p_value： P值

std_err： 估計標準誤差

直接可以輸出P值，同樣省去了做置信度檢驗的過程，遺憾的是仍需同相關系數一樣循環計算。