xarray.align
给定任意数量的 Dataset 和/或 DataArray 对象，返回新的 具有对齐索引和尺寸大小的对象。
举个例子：
x = xr.DataArray( [[25, 35], [10, 24]], dims=("lat", "lon"), coords={"lat": [35.0, 40.0], "lon": [100.0, 120.0]},) y = xr.DataArray( [[20, 5], [7, 13]], dims=("lat", "lon"), coords={"lat": [35.0, 42.0], "lon": [100.0, 120.0]},)
首先创建两个dataArray：
默认返回join='inner’的对齐方式，提取两者变量索引交集的数据。：
a, b = xr.align(x, y)
对比x、y可以发现，两者索引交集为lat=35，lon=100、120，
所以a就是x中lat=35，lon=100、120对应的值，b同理
同样的，可以改变join=‘Method ‘改变提取的结果。
方法outer：提取两者变量索引并集的数据。
a, b = xr.align(x, y, join="outer")
可以发现，将x、y的不同的lat对应的数据进行并集，a赋值结果如下
lon：100 120
- lat：35 25 35
- 40 10 24
- 42 nan nan
其他方法可以查看官网：
xarray --降维处理
举一个三维SST的例子进行处理示范：
import xarray as xr file='..\\sst_olr\\olr.mon.mean.nc' data=xr.open_dataset(file)
使用
data.shape
查看一些维度排列顺序
可以看到，维度顺序依次是time、lat、lon,对应axis=0、1、2
如果要对时间方向上以平均的方法进行降维，可写为：
# 对第0维度（维度time）以平均的方法进行降维 data.mean(axis = 0)
可用.plot方法可视化结果:
data.mean(axis=2).plot
同样的道理，如果要对经纬方向上进行降维，只需要将写上对应的维度即可。
# 对经纬度（维度lat、lon）以平均的方法进行降维 data.mean(axis=(1, 2))
这其实就得到了一个时间序列，这个时间序列描述了全球平均OLR的变化。
画个图来看看：
# 绘制2018-01~2018-12全球平均OLR变化 data.mean(axis=(1, 2)).sel(time=slice("2018-1","2018-12")).plot()
上述方法是仿照numpy中的降维方法，xarray中可以使用另一种更方便快捷的方法。直接选择需要处理的维度名称，效果与上述方法是一样的，建议大家采取xarray的方法，自动跳过了缺测值（默认），有利于数据处理。
data.mean(dim="time")data.mean(dim="lat","lon")
此外，如min（取最小值）, max（取最大值）, sum（求和）, std（求标准差）等也可以实现降维，大家可以自己摸索。
xarray–分割数据（以nc文件为例）
在分割数据过程中，需要用到groupby()实现对于按季节、按月份的分割等待操作。
import xarray as xr file='D:\\desktopppp\\20210906\\sst_olr\\olr.mon.mean.nc' data=xr.open_dataset(file).olr
首先还是导入OLR数据，并提取时间变量，用法前文已经讲过
data.time
同时，这里的time是datatime的格式，可以直接使用datatime库的相关使用方法创建时间变量的待索引对象，利用.dt.month提取各个时间的月份数据
data.time.dt.month
同理，利用.dt.year提取各个时间的年份数据
data.time.dt.year
xarray.DataArray.groupby()求季节平均、年平均、月平均
类似于Pandas包中的groupby的思想，我们利用dataArray.groupby()函数将月份作为键（唯一值）来对原数据进行分离。本质是即把各年的某个月的数据放到了一组。
month_group = data.groupby("time.month") month_group
除了可以以月份进行分割数据，也可以将年、季节作为分割对象，大家可以自行尝试
data.groupby("time.year") data.groupby("time.season")
以上操作的优点在于，对于我们经常处理的一些海洋气象nc文件，经常需要对于数据进行求季节平均，月平均，年平均等处理，使dataArray.groupby()
就可以非常方便快捷的实现处理，以下给出例子：
season_mean=data.groupby('time.season').mean('time', skipna=True) year_mean=data.groupby('time.year').mean('time', skipna=True) month_mean=data.groupby('time.montn').mean('time', skipna=True)
对于按月分组元素的迭代
经过上面的分割操作后，原数据已经拆分成12个组（groups），放置在变量month_group中。对于这12个组，可通过循环进行遍历。迭代器返回各个组的键（组名）和值（与该组相对应的实际数据集）。
for group_name, group_ds in month_group: # 当第一个循环结束时，停止遍历 month_group print(group_name) break group_ds
分组元素的逐个访问
通过对数据进行list处理，可以获得分组名称和对应的xarray数据.
list_group = list(month_group) list_group
这样，list_group中有12个DataArray，每个DataArray中对应包含1-12个月的数据
通过索引可以提取对于月份的数据
list_group[0]#访问这个分组对应的xarray数据（即各年的一月数据）。 list_group[1]#（即各年的二月数据）。以此类推
查找各个分组中对应元素在原始数据中键的位置
对于上述分割的数据，可以通过使用.groups方法获得元素（month）在原分组坐标中（time）的位置
gb = data.groupby("time.month").groupsgb
其中，第0个可理解为ds.isel(time = 0)，同理第12个可理解为ds.isel(time = 12)，并且是一个字典类型。字典：键值对（key-value pair）键与值之间的关联。
可以使用for循环遍历：
for key in sorted(gb): # str（）函数将数值转为字符串 print( str(key)+"月", gb[key])
xarray–分箱（按照不同区间对数据进行分组）
1、筛选数据groupby
对数据进行筛选，按照自己定义的区间。
使用的数据信息如下：
为了减少运算时间，先选出第0时刻的数据，创建区间，按照区间进行筛选
da= data.isel(time = 0) sst_bin = [-10, 0, 10, 20, 30] gb_bin_list =da.groupby_bins("sst", sst_bin) gb_bin_list
应该有四个区间，检验结果，符合要求
然后，对于所需区间的数据进行分别处理，索引方法与上述相同。
2、应用数据Apply
通过.groupby方法定义了原数组的分组方法，但是并未对原数组进行真正的分割。
下一步操作便是把相关的计算函数应用（Apply）到这12个分组了，使用的方法是.map（映射）
以求解多年各月sst平均空间场为例说明其实现过程：
import xarray as xr import numpy as np file='...\\sst.mnmean.nc' data=xr.open_dataset(file) gb = data.groupby("time.month") def time_mean(a): return a.mean(dim="time") monthsst = gb.map(time_mean) monthsst
monthsst = gb.mean(dim = "time")#直接实现计算
3、具体绘图实操
下面给出一些绘图操作：
#绘制lon=180.5,lat=50.5处的数据时间序列 monthsst.sst.sel(lon=180.5, lat=50.5).plot()
#多年纬度月平均气候场 monthsst.sst.mean(dim="lon").plot.contourf(x="month", levels=12, vmin=-2, vmax=30)
具体参数设置如下：
- 绘制等值线图：
.plot.contourf; - x轴为变量
month：x="month"; - 色标分为12个部分（11个色块）：
levels=12; - 绘制的最大值和最小值为30和-2：
vmin=-2, vmax=30.
#多年2月与7月平均气候场之间的差异 (monthsst.sst.sel(month=2) - monthsst.sst.sel(month=8)).plot()
xarray–重采样
import xarray as xr import numpy as np file='..\\sst.mnmean.nc' data=xr.open_dataset(file) ds = data.sel(time=slice("1989", "2018")).load() resample_obj = ds.resample(time="5Y")
这里.resample(time="5Y")是对如何对时间进行重采样进行设置，维度为time，设置的时间间隔为 5 年。
需要注意的是：resample 仅能用于正确的日期、时间索引。
xarray–时间窗移动
可适用于任意维度，如果将其作用于时间维度，也可称之为滑动平均。
sst_rolling = ds.sst.rolling(time=12, center = True).mean()
参数time=12指定了对维度time以 12 个月为周期（月数据）变动时间窗，center参数表明以当前窗的两侧筛选数据，否则是以当前窗的前 12 个月作为筛选目标（包括本身）。.mean()表明对每一个 Rolling 对象取平均。
若时间窗为偶数值，那么对应中心位置将会在平均位置偏右侧,若不指定参数center=True，则采用从当前元素往上筛选的方法，否则采用以当前元素为中心，从两个方向上进行筛选。
xarray–线性多项式回归
import xarray as xr import numpy as np file='..\\sst.mnmean.nc' data=xr.open_dataset(file) ds = data.sel(time=slice("1989", "2018")).load()ds.sst.polyfit("time", 1, full = True)
#线性趋势(斜率) ds.sst.polyfit("time", 1, full = True).polyfit_coefficients.isel(degree = 0).plot()
.polyfit方法实现了回归功能，第一个参数"time"指定拟合坐标为time，第二数字参数指定为一元线性回归，full = True代表回归方法不仅要返回拟合系数（一元回归即斜率和截距）还应当返回残差，矩阵秩和奇异值。
#截距空间分布 ds.sst.polyfit("time", 1, full = True).polyfit_coefficients.isel(degree = 1).plot()
