假设我们有TRMM降水数据，每个文件代表每个月的数据。例如，文件夹中的文件是：
3B42.1998.01.01.7A.nc,
3B42.1998.02.01.7A.nc,
3B42.1998.03.01.7A.nc,
3B42.1998.04.01.7A.nc,
3B42.1998.05.01.7A.nc,
......
......
3B42.2010.11.01.7A.nc,
3B42.2010.12.01.7A.nc.
这些文件的尺寸如下：Xsize = 1440，Ysize = 400，Zsize = 1，Tsize = 1。经度设置为0到360，纬度设置为-50到50。
我想计算某个地区的降水量，比如lon=98.5, lon=100 and lat=4, lat=6.5。这意味着，仅在此区域中读取变量 - ：
--------------------
|lon:98.5 lat:6.5|
| |
|lat:4 lon:100 |
---------------------
我曾经在GrADS（网格分析和显示系统）中这样做。在GrADS中，可以这样做:(简化版）
yy=1998
while yr < 2011
'sdfopen f:\data\trmm\3B42.'yy'.12.01.7A.nc'
'd aave(pcp,lon=98.5,lon=100.0,lat=4.0,lat=6.5)'
res=subwrd(result,4)
rec=write('d:\precip.sp.TRMM3B42.1.'yy'.csv',res,append)
yy = yy+1
endwhile
我试图在Python中做同样的事情，但出了点问题。 经过一些建议，我现在在这里：
import csv
import netCDF4 as nc
import numpy as np
#calculating december only
f = nc.MFDataset('d:/data/trmm/3B43.????.12.01.7A.nc')#maybe I shouldn't do MFDataset?
pcpt = f.variables['pcp']
lon = f.variables['longitude']
lat = f.variables['latitude']
# Determine which longitudes
latidx1 = (lat >=4.0 ) & (lat <=6.5 )
lonidx1 = (lon >=98.5 ) & (lon <=100.0 )
rainf1 = pcpt[:]
rainf1 = rainf1[:, latidx1][..., lonidx1]
rainf_1 = rainf1
with open('d:/trmmtest.csv', 'wb') as fp:
a = csv.writer(fp)
for i in rainf_1:
a.writerow([i])
此脚本为CSV文件中的15个值生成一个列表（在我的例子中）。 但是，当我试图获取另一个区域的值，并调整我认为必要的值时，请说：
latidx2 = (lat >=1.0 ) & (lat <=1.5 )
lonidx2 = (lon >=102.75 ) & (lon <=103.25 )
rainf2 = pcpt[:]
rainf2 = rainf2[:, latidx2][..., lonidx2]
rainf_2 = rainf2
我得到与第一个相同的值。
firstarea=[0.511935,1.0771,0.613548,1.48839,0.445161,1.39161,1.03548,0.452903, 3.07725,2.84613 0.701613,2.10581,2.47839,3.84097,2.41065,1.38387]
secondarea=[0.511935,1.0771,0.613548,1.48839,0.445161,1.39161,1.03548,0.452903, 3.07725,2.84613,0.701613,2.10581,2.47839,3.84097,2.41065,1.38387]
我在单独的脚本上测试过，它仍然给我相同的值。我确实检查了地图（之前构建的），这两个地区的值不同（12月平均值）。
知道为什么吗？写这个还有其他优雅的方式吗？ THX。
答案 0 :(得分：2)
如果您使用的是Linux，则可以使用nctoolkit（Wikipedia）解决。以下应该做所有事情：
import nctoolkit as nc
ff = '~/data/TRMM3H/3B42.19980101.12.7A.nc'
data = nc.open_data(ff)
data.clip(lon = [98.5, 100], lat = [4, 6.5])
data.spatial_mean()
注意：这使用CDO作为后端，而space_mean将计算每个网格单元的面积加权的平均值。
答案 1 :(得分：1)
过了一会儿，我设法再次看到这个问题，显然上面的方法几乎是正确的。经过一些调整，在单个数据文件上测试，并与GrADS解决方案交叉检查后，我得到了这样的结果：
f = nc.Dataset('~/data/TRMM3H/3B42.19980101.12.7A.nc')
pcpt = f.variables['pcp'][:]
lon = f.variables['longitude'][:]
lat = f.variables['latitude'][:]
#select two regions
latidx1 = (lat >=4. ) & (lat <=6.5 )
lonidx1 = (lon >=100.5 ) & (lon <=101.5 )
latidx2 = (lat >=2.5 ) & (lat <=5.0 )
lonidx2 = (lon >=101. ) & (lon <=102. )
rainf = pcpt[:]
#these basically listing the values in an array (2 in this case)
rainf1 = rainf[:, latidx1][..., lonidx1]
rainf2 = rainf[:, latidx2][..., lonidx2]
rainf_1 = rainf1
rainf_2 = rainf2
#time to get the mean values
print np.mean(rainf_1)
print "............."
print np.mean(rainf_2)
print "............."
这给了我这些结果：
>>> execfile('find_percentile.py')
0.7830327034
.............
1.56235361099
.............
使用GrADS计算结果相同。
建议后编辑：
f = nc.Dataset('~/data/TRMM3H/3B42.19980101.12.7A.nc')
pcpt = f.variables['pcp'][:]
lon = f.variables['longitude'][:]
lat = f.variables['latitude'][:]
#select two regions
latidx1 = (lat >=4. ) & (lat <=6.5 )
lonidx1 = (lon >=100.5 ) & (lon <=101.5 )
latidx2 = (lat >=2.5 ) & (lat <=5.0 )
lonidx2 = (lon >=101. ) & (lon <=102. )
#these basically listing the values in an array (2 in this case)
rainf1 = pcpt[:, latidx1][..., lonidx1]
rainf2 = pcpt[:, latidx2][..., lonidx2]
rainf_1 = rainf1
rainf_2 = rainf2
#time to get the mean values
print np.mean(rainf_1)
print "............."
print np.mean(rainf_2)
print "............."
回到原来的问题，在多个文件中执行此操作并在txt / csv文件中打印它仍在构建中（并测试）。
答案 2 :(得分：0)
我只是想指出Fir Nor的解决方案是不正确的，因为在处理常规lat / lon网格上的空间数据时，你不能简单地使用算术平均值（np.mean）。因为当你向极点移动时网格单元的大小会发生变化，所以这里就是一个例子！
最好不要担心这个并使用CDO进行操作：
cdo fldmean -sellonlatbox,98.5,100,4.5,6 3B42.1998.05.01.7A.nc boxav.nc