import numpy as np #数值计算用，如相关系数import xarray as xr #读取.nc文件用from sklearn.feature_selection import f_regression #做显著性检验import matplotlib.pyplot as plt #绘制和展示图形用import cartopy.crs as ccrs #绘制地图用，如果没有安装好的话，请在后台联系我import cartopy.feature as cfeature #添加一些矢量用，这里没用到，因为我没数据from cartopy.mpl.ticker import LongitudeFormatter, LatitudeFormatter #经纬度格式设置import cmaps #ncl的color，如果没有的话，请联系我，也可以在气象家园找到
#使用上下文管理器读取.nc数据，并提取数据中的变量，可以提前用NASA的panoply这个软件查看.nc信息with xr.open_dataset(r'D:\inuyasha\codeX\codeLEARN\sst.DJF.mean.anom.nc') as f1:      pre = f1['sst_anom'][:-1, :, :]  # 三维数据全取，时间，纬度+经度      lat, lon = f1['lat'], f1['lon'] #提取经纬度，后面格网化需要用到pre2d = np.array(pre).reshape(pre.shape[0], pre.shape[1]*pre.shape[2])#0表示行个数，1列代表的个数，2经度代表个数with xr.open_dataset(r'D:\inuyasha\codeX\codeLEARN\pc.DJF.sst.nc') as f2:      pc = f2['pc'][0, :]
# 相关系数计算pre_cor = np.corrcoef(pre2d.T, pc)[:-1, -1].reshape(len(lat), len(lon))
# 做显著性检验pre_cor_sig = f_regression(np.nan_to_num(pre2d), pc)[1].reshape(len(lat), len(lon))#用0代替NaNarea = np.where(pre_cor_sig < 0.05)# numpy的作用又来了 nx, ny = np.meshgrid(lon, lat)  # 格网化经纬度，打印出来看看就知道为什么要这么做了plt.figure(figsize=(16, 8)) #创建一个空画布#让colorbar字体设置为新罗马字符plt.rcParams['font.family'] = 'Times New Roman'plt.rcParams['font.size'] = 16
ax2 = plt.subplot(projection=ccrs.PlateCarree(central_longitude=180))# 在画布上绘图，这个叫axes，这不是坐标轴喔ax2.coastlines(lw=0.4)ax2.set_global()c2 = ax2.contourf(nx, ny, pre_cor, extend='both', cmap=cmaps.nrl_sirkes, transform=ccrs.PlateCarree())plt.colorbar(c2,fraction=0.05,orientation='horizontal', shrink=0.4, pad=0.06)# extend关键字设置colorbar的形状，both为两端尖的，pad是距离主图的距离，其他参数web搜索
# 显著性打点sig2 = ax2.scatter(nx[area], ny[area], marker='+', s=1, c='k', alpha=0.6, transform=ccrs.PlateCarree())# 凸显显著性区域plt.title('Correlation Analysis', fontdict={'family' : 'Times New Roman', 'size'   : 16})#标题字体也修改为新罗马字符，数字和因为建议都用新罗马字符ax2.set_xticks(np.arange(0, 361, 30),crs=ccrs.PlateCarree())# 经度范围设置，nunpy的作用这不就又来了嘛plt.xticks(fontproperties = 'Times New Roman',size=16) #修改xy刻度字体为新罗马字符plt.yticks(fontproperties = 'Times New Roman',size=16)ax2.set_yticks(np.arange(-90, 90, 15),crs=ccrs.PlateCarree())# 设置yax2.xaxis.set_major_formatter(LongitudeFormatter(zero_direction_label = False))#经度0度不加东西ax2.yaxis.set_major_formatter(LatitudeFormatter())# 设置经纬度格式，就是多少度显示那样的，而不是一些数字ax2.set_extent([-178, 178, -70, 70], crs=ccrs.PlateCarree())# 设置空间范围plt.grid(color='k')# 画一个网格吧plt.show()# 显示出图形

import numpy as npimport xarray as xrfrom sklearn.feature_selection import f_regressionimport matplotlib.pyplot as pltimport cartopy.crs as ccrsimport cartopy.feature as cfeaturefrom cartopy.mpl.ticker import LongitudeFormatter, LatitudeFormatterimport cmaps
with xr.open_dataset(r'D:\inuyasha\codeX\codeLEARN\sst.DJF.mean.anom.nc') as f1:      pre = f1['sst_anom'][:-1, :, :]  # 三维数据全取，时间，纬度+经度      lat, lon = f1['lat'], f1['lon']pre2d = np.array(pre).reshape(pre.shape[0], pre.shape[1]*pre.shape[2])#0行代表的个数，1纬度，2经度#pre2d.shape是一个39行，16020列的矩阵，T之后就变为了16020行，39列
with xr.open_dataset(r'D:\inuyasha\codeX\codeLEARN\pc.DJF.sst.nc') as f2:      pc = f2['pc'][0, :]#pc是一个39行的数组
# # 相关系数pre_cor = np.corrcoef(pre2d.T, pc)[:-1, -1].reshape(len(lat), len(lon))#pre_cor.shape,(16020,)->reshape(89,180)# # 显著性检验
# pre_cor_sig = f_regression(np.nan_to_num(pre2d), pc)[1].reshape(len(lat), len(lon))#用0代替NaN# area = np.where(pre_cor_sig < 0.05)
nx, ny = np.meshgrid(lon, lat)  # 格网化nx,ny