Question

我有两组dataArrays表示三个坐标轴上的值（lat，lon，time）;一组dataArrays表示变量varA，一组表示变量varB（下面给出的示例）。

varA
<xarray.DataArray 'varA' (time: 32, lat: 20, lon: 18)>
array([[[... 
... ]]])
Coordinates:
 * lat      (lat) float64 4.75 4.25 3.75 3.25 2.75 2.25 1.75 1.25 0.75 0.25 ...
 * lon      (lon) float64 33.25 33.75 34.25 34.75 35.25 35.75 36.25 36.75 ...
 * time     (time) datetime64[ns] 1979-01-01 1980-01-01 1981-01-01 ...

有4种不同的varA和varB二重奏。我制作了一个散点图，显示varA对每个lat，lon和time的varB，以及每个duo的varA（varA1对varB1，varA2对varB2 ...）。 ;并在1个图形上可视化（所有dataArrays都具有完全相同的坐标）。

for t in range(varA1['time'].size) :
    for la in range(varA1['lat'].size) :
        for lo in range(varA1['lon'].size) :
            x = varA1.values[t,la,lo]
            y = varB1.values[t,la,lo]
            plt.scatter(x,y)
for t in range(varA2['time'].size) :
    for la in range(varA2['lat'].size) :
        for lo in range(varA2['lon'].size) :
            x = varA2.values[t,la,lo]
            y = varB2.values[t,la,lo]
            plt.scatter(x,y)
... 
plt.show()

完整的散点图功能工作正常，但现在我想为完整的散点图添加趋势线（并找到它的等式）。事实上，我想研究varA和varB之间的长期（随着时间的推移）和大规模（over lat和lon）关系;我知道更高的varA值伴随着更高的varB值（无论在哪个位置或在什么时间），但我想获得1个回归方程，相关系数和RMSE（即量化它们的关系 ）。

这可能吗？我想我需要平均每个单元格的所有varAs [lat，lon，time]，并且对于所有varBs都是相同的;所以像这样：

avrR = wfdei_rain * 0
avrY = wfdei_rain * 0
for t in range(varA1['time'].size) :
    for la in range(varA1['lat'].size) :
        for lo in range(varA1['lon'].size) :
            avrA[la,lo,t] = float(sum([varA1[la,lo,t],varA2[la,lo,t],varA3[la,lo,t],varA4[la,lo,t])) / 4    
            avrB[la,lo,t] = float(sum([varB1[la,lo,t],varB2[la,lo,t],varB3[la,lo,t],varB4[la,lo,t])) / 4                                
z = np.polyfit(avrA[:,:,:],avrB[:,:,:],1)
p = np.poly1d(z)
plt.plot(x,p(x))
print('y=%.6fx+(%.6f)'%(z[0],z[1])

这给polyfit函数提供了一个错误（'x'的预期1D向量）。我没有找到如何调整polyfit以使用DataArrays - 3D。我发现了一个相关的帖子：Applying numpy.polyfit to xarray Dataset，但它对我没有帮助。

有关（更好）方法的任何建议吗？

提前致谢！

Python：如何找到多个3D（lat-lon-time-value）dataArrays的回归方程？

0 个答案: