python写入三维nc数据

㈠ python怎么生成三维数

1、创建一般的多维数组

importnumpyasnp
a=np.array([1,2,3],dtype=int)#创建1*3维数组array([1,2,3])
type(a)#numpy.ndarray类型
a.shape#维数信息(3L,)
a.dtype.name#'int32'
a.size#元素个数：3
a.itemsize#每个元素所占用的字节数目:4


b=np.array([[1,2,3],[4,5,6]],dtype=int)#创建2*3维数组array([[1,2,3],[4,5,6]])
b.shape#维数信息（2L,3L）
b.size#元素个数：6
b.itemsize#每个元素所占用的字节数目:4


c=np.array([[1,2,3],[4,5,6]],dtype='int16')#创建2*3维数组array([[1,2,3],[4,5,6]],dtype=int16)
c.shape#维数信息（2L,3L）
c.size#元素个数：6
c.itemsize#每个元素所占用的字节数目:2
c.ndim#维数


d=np.array([[1,2,3],[4,5,6]],dtype=complex)#复数二维数组
d.itemsize#每个元素所占用的字节数目：16
d.dtype.name#元素类型：'complex128'

2、创建一般的多维数组

importnumpyasnp
a=np.array([1,2,3],dtype=int)#创建1*3维数组array([1,2,3])
type(a)#numpy.ndarray类型
a.shape#维数信息(3L,)
a.dtype.name#'int32'
a.size#元素个数：3
a.itemsize#每个元素所占用的字节数目:4


b=np.array([[1,2,3],[4,5,6]],dtype=int)#创建2*3维数组array([[1,2,3],[4,5,6]])
b.shape#维数信息（2L,3L）
b.size#元素个数：6
b.itemsize#每个元素所占用的字节数目:4


c=np.array([[1,2,3],[4,5,6]],dtype='int16')#创建2*3维数组array([[1,2,3],[4,5,6]],dtype=int16)
c.shape#维数信息（2L,3L）
c.size#元素个数：6
c.itemsize#每个元素所占用的字节数目:2
c.ndim#维数


d=np.array([[1,2,3],[4,5,6]],dtype=complex)#复数二维数组
d.itemsize#每个元素所占用的字节数目：16
d.dtype.name#元素类型：'complex128'

3、创建特殊类型的多维数组

a1=np.zeros((3,4))#创建3*4全零二维数组
输出：
array([[0.,0.,0.,0.],
[0.,0.,0.,0.],
[0.,0.,0.,0.]])
a1.dtype.name#元素类型：'float64'
a1.size#元素个数：12
a1.itemsize#每个元素所占用的字节个数：8


a2=np.ones((2,3,4),dtype=np.int16)#创建2*3*4全1三维数组
a2=np.ones((2,3,4),dtype='int16')#创建2*3*4全1三维数组
输出：
array([[[1,1,1,1],
[1,1,1,1],
[1,1,1,1]],

[[1,1,1,1],
[1,1,1,1],
[1,1,1,1]]],dtype=int16)


a3=np.empty((2,3))#创建2*3的未初始化二维数组
输出：（mayvary）
array([[1.,2.,3.],
[4.,5.,6.]])


a4=np.arange(10,30,5)#初始值10，结束值：30（不包含），步长：5
输出：array([10,15,20,25])
a5=np.arange(0,2,0.3)#初始值0，结束值：2（不包含），步长：0.2
输出：array([0.,0.3,0.6,0.9,1.2,1.5,1.8])

fromnumpyimportpi
np.linspace(0,2,9)#初始值0，结束值：2（包含），元素个数：9
输出：
array([0.,0.25,0.5,0.75,1.,1.25,1.5,1.75,2.])
x=np.linspace(0,2*pi,9)
输出：
array([0.,0.78539816,1.57079633,2.35619449,3.14159265,
3.92699082,4.71238898,5.49778714,6.28318531])


a=np.arange(6)
输出：
array([0,1,2,3,4,5])
b=np.arange(12).reshape(4,3)
输出：
array([[0,1,2],
[3,4,5],
[6,7,8],
[9,10,11]])
c=np.arange(24).reshape(2,3,4)
输出：
array([[[0,1,2,3],
[4,5,6,7],
[8,9,10,11]],

[[12,13,14,15],
[16,17,18,19],
[20,21,22,23]]])

使用numpy.set_printoptions可以设置numpy变量的打印格式

在ipython环境下，使用help(numpy.set_printoptions)查询使用帮助和示例

4、多维数组的基本操作

加法和减法操作要求操作双方的维数信息一致，均为M*N为数组方可正确执行操作。

a=np.arange(4)
输出：
array([0,1,2,3])
b=a**2
输出：
array([0,1,4,9])
c=10*np.sin(a)
输出：
array([0.,8.41470985,9.09297427,1.41120008])


n<35
输出：
array([True,True,True,True],dtype=bool)

A=np.array([[1,1],[0,1]])
B=np.array([[2,0],[3,4]])
C=A*B#元素点乘
输出：
array([[2,0],
[0,4]])
D=A.dot(B)#矩阵乘法
输出：
array([[5,4],
[3,4]])
E=np.dot(A,B)#矩阵乘法
输出：
array([[5,4],
[3,4]])

多维数组操作过程中的类型转换

When operating with arrays of different types, the type of the
resulting array corresponds to the more general or precise one (a
behavior known as upcasting)

即操作不同类型的多维数组时，结果自动转换为精度更高类型的数组，即upcasting

数组索引、切片和迭代

a=np.ones((2,3),dtype=int)#int32
b=np.random.random((2,3))#float64
b+=a#正确
a+=b#错误

a=np.ones(3,dtype=np.int32)
b=np.linspace(0,pi,3)
c=a+b
d=np.exp(c*1j)
输出：
array([0.54030231+0.84147098j,-0.84147098+0.54030231j,
-0.54030231-0.84147098j])
d.dtype.name
输出：
'complex128'

多维数组的一元操作，如求和、求最小值、最大值等

a=np.random.random((2,3))
a.sum()
a.min()
a.max()


b=np.arange(12).reshape(3,4)
输出：
array([[0,1,2,3],
[4,5,6,7],
[8,9,10,11]])
b.sum(axis=0)#按列求和
输出：
array([12,15,18,21])
b.sum(axis=1)#按行求和
输出：
array([6,22,38])
b.cumsum(axis=0)#按列进行元素累加
输出：
array([[0,1,2,3],
[4,6,8,10],
[12,15,18,21]])
b.cumsum(axis=1)#按行进行元素累加
输出：
array([[0,1,3,6],
[4,9,15,22],
[8,17,27,38]])

universal functions

B=np.arange(3)
np.exp(B)
np.sqrt(B)
C=np.array([2.,-1.,4.])
np.add(B,C)

其他的ufunc函数包括：

all,any,apply_along_axis,argmax,argmin,argsort,average,bincount,ceil,clip,conj,corrcoef,cov,cross,cumprod,cumsum,diff,dot,floor,inner,lexsort,max,maximum,mean,median,min,minimum,nonzero,outer,prod,re,round,sort,std,sum,trace,transpose,var,vdot,vectorize,where

5. 数组索引、切片和迭代

a=np.arange(10)**3
a[2]
a[2:5]
a[::-1]#逆序输出
foriina:
print(i**(1/3.))

deff(x,y):
return10*x+y
b=np.fromfunction(f,(5,4),dtype=int)
b[2,3]
b[0:5,1]
b[:,1]
b[1:3,:]
b[-1]

c=np.array([[[0,1,2],[10,11,12]],[[100,101,102],[110,111,112]]])
输出：
array([[[0,1,2],
[10,11,12]],

[[100,101,102],
[110,111,112]]])
c.shape
输出：
(2L,2L,3L)
c[0,...]
c[0,:,:]
输出：
array([[0,1,2],
[10,11,12]])
c[:,:,2]
c[...,2]
输出：
array([[2,12],
[102,112]])

forrowinc:
print(row)

forelementinc.flat:
print(element)

a=np.floor(10*np.random.random((3,4)))
输出：
array([[3.,9.,8.,4.],
[2.,1.,4.,6.],
[0.,6.,0.,2.]])
a.ravel()
输出：
array([3.,9.,8.,...,6.,0.,2.])
a.reshape(6,2)
输出：
array([[3.,9.],
[8.,4.],
[2.,1.],
[4.,6.],
[0.,6.],
[0.,2.]])
a.T
输出：
array([[3.,2.,0.],
[9.,1.,6.],
[8.,4.,0.],
[4.,6.,2.]])
a.T.shape
输出：
(4L,3L)
a.resize((2,6))
输出：
array([[3.,9.,8.,4.,2.,1.],
[4.,6.,0.,6.,0.,2.]])
a.shape
输出：
(2L,6L)
a.reshape(3,-1)
输出：
array([[3.,9.,8.,4.],
[2.,1.,4.,6.],
[0.,6.,0.,2.]])

详查以下函数：

ndarray.shape,reshape,resize,ravel

6. 组合不同的多维数组

a=np.floor(10*np.random.random((2,2)))
输出：
array([[5.,2.],
[6.,2.]])
b=np.floor(10*np.random.random((2,2)))
输出：
array([[0.,2.],
[4.,1.]])
np.vstack((a,b))
输出：
array([[5.,2.],
[6.,2.],
[0.,2.],
[4.,1.]])
np.hstack((a,b))
输出：
array([[5.,2.,0.,2.],
[6.,2.,4.,1.]])


fromnumpyimportnewaxis
np.column_stack((a,b))
输出：
array([[5.,2.,0.,2.],
[6.,2.,4.,1.]])


a=np.array([4.,2.])
b=np.array([2.,8.])
a[:,newaxis]
输出：
array([[4.],
[2.]])
b[:,newaxis]
输出：
array([[2.],
[8.]])
np.column_stack((a[:,newaxis],b[:,newaxis]))
输出：
array([[4.,2.],
[2.,8.]])
np.vstack((a[:,newaxis],b[:,newaxis]))
输出：
array([[4.],
[2.],
[2.],
[8.]])
np.r_[1:4,0,4]
输出：
array([1,2,3,0,4])
np.c_[np.array([[1,2,3]]),0,0,0,np.array([[4,5,6]])]
输出：
array([[1,2,3,0,0,0,4,5,6]])

详细使用请查询以下函数：

hstack,vstack,column_stack,concatenate,c_,r_

7. 将较大的多维数组分割成较小的多维数组

a=np.floor(10*np.random.random((2,12)))
输出：
array([[9.,7.,9.,...,3.,2.,4.],
[5.,3.,3.,...,9.,7.,7.]])
np.hsplit(a,3)
输出：
[array([[9.,7.,9.,6.],
[5.,3.,3.,1.]]),array([[7.,2.,1.,6.],
[7.,5.,0.,2.]]),array([[9.,3.,2.,4.],
[3.,9.,7.,7.]])]
np.hsplit(a,(3,4))
输出：
[array([[9.,7.,9.],
[5.,3.,3.]]),array([[6.],
[1.]]),array([[7.,2.,1.,...,3.,2.,4.],
[7.,5.,0.,...,9.,7.,7.]])]

实现类似功能的函数包括：

hsplit,vsplit,array_split

8. 多维数组的复制操作

a=np.arange(12)
输出：
array([0,1,2,...,9,10,11])


notatall

b=a
bisa#True
b.shape=3,4
a.shape#(3L,4L)

deff(x)#,sofunctioncallsmakeno.
print(id(x))#id是python对象的唯一标识符

id(a)#111833936L
id(b)#111833936L
f(a)#111833936L


浅复制

c=a.view()
cisa#False
c.baseisa#True
c.flags.owndata#False
c.shape=2,6
a.shape#(3L,4L)
c[0,4]=1234
print(a)
输出：
array([[0,1,2,3],
[1234,5,6,7],
[8,9,10,11]])
s=a[:,1:3]
s[:]=10
print(a)
输出：
array([[0,10,10,3],
[1234,10,10,7],
[8,10,10,11]])


深复制
d=a.()
disa#False
d.baseisa#False
d[0,0]=9999
print(a)
输出：
array([[0,10,10,3],
[1234,10,10,7],
[8,10,10,11]])

numpy基本函数和方法一览

Array Creation

arange,array,,empty,empty_like,eye,fromfile,fromfunction,identity,linspace,logspace,mgrid,ogrid,ones,ones_like,r,zeros,zeros_like

Conversions

ndarray.astype,atleast_1d,atleast_2d,atleast_3d,mat

Manipulations

array_split,column_stack,concatenate,diagonal,dsplit,dstack,hsplit,hstack,ndarray.item,newaxis,ravel,repeat,reshape,resize,squeeze,swapaxes,take,transpose,vsplit,vstack

Questionsall,any,nonzero,where

Ordering

argmax,argmin,argsort,max,min,ptp,searchsorted,sort

Operations

choose,compress,cumprod,cumsum,inner,ndarray.fill,imag,prod,put,putmask,real,sum

Basic Statistics

cov,mean,std,var

Basic Linear Algebra

cross,dot,outer,linalg.svd,vdot

完整的函数和方法一览表链接：

https://docs.scipy.org/doc/numpy-dev/reference/routines.html#routines

㈡ python 读写nc格式数据

使用第三方类库 netCDF4

读取：

写入：

㈢ Python气象数据处理与绘图(1)：数据读取

python很多库支持了对nc格式文件的读取，比如NetCDF4，PyNio(PyNio和PyNgl可以看做是NCL的Python版本)以及Xarray等等。

我最初使用PyNio，但是由于NCL到Python的移植并不完全，导致目前远不如直接使用NCL方便，而在接触Xarray库后，发现其功能强大远超NCL(也可能是我NCL太菜的原因)。

安装同其它库一致：

我这里以一套中国逐日最高温度格点资料(CN05.1)为例，其水平精度为0.5°X0.5°。

可以看到，文件的坐标有时间， 经度，纬度，变量有日最高温
我们将最高温数据取出

这与Linux系统中的ncl_filemp指令看到的信息是类似的
Xarray在读取坐标信息时，自动将时间坐标读取为了datetime64 格式，这对我们挑选目的时间十分方便。Xarray通常与pandas配合使用。
比如我们想选取1979.06.01-1979.06.20时期数据，我们只需

再比如我们想选取夏季数据时，只需

更多的时间操作同python的datetime函数类似。
当我们想选取特定经纬度范围(高度)的数据时，.loc[]函数同样可以解决。
在这里，我选取了40°N-55°N，115°E-135°E范围的数据

甚至，我们还可以套娃，同时叠加时间和范围的选取

这足够满足常用到的数据索引要求。

对于这类简单排列的.txt文件，可以通过np.load读取，用pandas的.read_csv更为方便

读取txt的同时，对每列赋予了一个列名，通过data.a可以直接按列名调用相应数据。
对于较复杂的.txt文件，仍可通过该函数读取

skiprows=5跳过了前5行的文件头，sep='\s+'定义了数据间隔为空格，这里用的是正则表达。
pd.read_csv函数有很多的参数，可以处理各种复杂情况下的文本文件读取。

grib文件可通过pygrib库读取
import pygrib
f = pygrib.open('xxx.grb')

㈣ Python气象数据处理进阶之Xarray(7)：读写文件

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。

㈤ 使用Python画出一个三维的函数图像，数据来自于一个Excel表格

可以的。 python利用matplotlib这个库，先定义一个空图层，然后声明x,y,z的值，x，y,z赋相应的列的值，最后建立标签，标题即可。最后，excel安装运行python的插件，运行python。

㈥ Python：numpy.array()创建三维以上数组

需求：根据已有的多个列表，利用numpy.array()函数创建三维以上数组

格式概述： 每一维用一个 [] 括起，不同维之间用 , 逗号间隔，最后总体再用 [] 括起！！！

说明 ：列表肯定是一维的，多个列表一行一行堆叠形成二维，多个这样的二维构成三维，以此类推可得更高维矩阵（一般3维以上就不用numpy.array()这种方法创建了）。

注意 ：高维数组，以三维（5,2,3）为例：前面的5代表页数，即表示（2,3）这样的二维矩阵有5个。即： 前面的数，永远代表比它"低一维"的数组有多少个 ！

（1）创建二维数组的例子：

（2）创建三维数组的例子1：（2,3,3）

（3）创建三维数组的例子2：（4,2,3）

补充：最快验证自己创建的数组是否满足自己的维度需求的方式，就是看打印的结果中， 最外面有几个 ] 中括号，有几个 ] 就是几维数组 ！如本文中第3个例子，打印结果最外层有3个 ]，说明满足3维的要求。

㈦ 怎么用python的numpy模块和matplotlib模块把下面这些文本做一个3d的数据建模

你好，你现在那个图是一个连续的波形图，因为你提供的是具体的数据，没有xyz之间的关系公式，所以只能是画一个散点图。假设你已经将xyz都读进来了，下面是一个画三d散点图的例子。
from mpl_toolkits.mplot3d.axes3d import Axes3D
#绘制3维的散点图
x = np.random.randint(0,10,size=100) #用你X的数据来代替
y = np.random.randint(-20,20,size=100) #用你Y的数据来代替
z = np.random.randint(0,30,size=100) #用你的Z的数据来代替

# 此处fig是二维
fig = plt.figure()

# 将二维转化为三维
axes3d = Axes3D(fig)

# axes3d.scatter3D(x,y,z)
# 效果相同
axes3d.scatter(x,y,z)

㈧ 如何用python输出数据和远程nc主机交互

另外相机通常都是有MAC地址的。如果你发现它在你预计的MAC地址范围内，也可以知道是它。 相机是专业抓拍的。通常不会放在互联网上，应该是局域网。你可以排除局域网上的其它计算机，自然了也就知道哪些是相机了。

这些都不是难题。你首先扫描所有的IP地址。再扫描它们的端口数量。如果端口数量多通常是计算机，如果端口只有1-2个就是专业设备。扫描不到的，应该就是计算机啦。