基于Python的格点相关性分析和趋势分析改进版

【篇外话-INUYASHA123】在此之前我们基于netCDF这样的高维度数据进行了相关性分析和趋势分析，主要使用了两种方法途径，第一是基于xskillscore这个库，第二是通过遍历nc数据的经纬格点。这两种方法各有它们的优缺点。比如xskillscore虽然方便调用，但是需要数据没有NaN值，另外，如果是用GIS生产的nc文件去做分析会导致lon-lat增加一倍的现象。而第二种使用循环的方法，针对数据量大的将十分缓慢，因此有必要探索新的更加高效的方法来处理。

为了更好地方便相关研究者运用，于是决定将最近所测试的Python脚本共享出来，可以无限制用于研究工作。第一部分是我之前测试的部分，基于循环的相关性分计算分析；第二部分是郑化毅同学改进版的相关性计算和趋势分析，这个方法的更加精简省时。

So，搞定，希望你可以将知识与技术更好地传播出去！

基本上相关性分析和趋势分析的内容也就差不多搞定了，deliciously perfect!

首先是基于循环的相关性计算分析，脚本如下：

import xarray as xr
import numpy as np
import  warnings
warnings.filterwarnings( "ignore" )
from scipy import stats

def corr_3d(x,y):
    nlat=y.shape[1]
    nlon=y.shape[2]
    corr=np.full([nlat,nlon],np.nan)
    pval=np.full([nlat,nlon],np.nan)
    for i in range(nlat):
        for j in range(nlon):
            if np.isnan(y[0,i,j]) or np.isnan(x[0,i,j]):
                continue
            else:
                r,p=stats.pearsonr(x[:,i,j],y[:,i,j])
                corr[i,j]=r
                pval[i,j]=p
    lat = y.coords['lat']
    lon = y.coords['lon']
    corr=xr.DataArray(corr,coords=[lat,lon],dims=['latitude','longitude'])
    pval=xr.DataArray(pval,coords=[lat,lon],dims=['latitude','longitude'])
    return corr,pval

var = xr.open_dataset('./var.nc')
tmp = xr.open_dataset('./tmp.nc')

corr,pval=corr_3d(var['X'],tmp['tmp'])
corr.to_netcdf('./V_tmp_corr.nc')
pval.to_netcdf('./V_tmp_pva.nc')

得到结果

详细的结果请到公众号查看了吧：基于Python的相关性分析和趋势分析改进版