头歌平台数据可视化-第五关时间空间数据的可视化——等高线图
写下来主要是作为自己的笔记
数据读取
全球海温数据下载后是 .nc 格式的文件，它就是 Netcdf 文件。 NetCDF 全称为 Network Common Data Format，中文译法为“网络通用数据格式”。
Netcdf 文件开始的目的是用于存储气象科学中的数据，现在已经成为许多数据采集软件的生成文件的格式。
从数学上来说，Netcdf 存储的数据就是一个多自变量的单值函数。用公式来说就是f(x,y,z,…)=value 。
函数的自变量 x,y,z 等在 Netcdf 中叫做维(dimension) 或坐标轴(axix)。
函数值 value 在 Netcdf 中叫做变量(Variables)。
自变量和函数值在物理学上的一些性质，在 Netcdf 中就叫属性(Attributes)。
一个 Netcdf 文件的结构包括以下对象：
- 变量(Variables) ：变量对应着真实的物理数据。
- 维(dimension)：一个维对应着函数中的某个自变量，或者说函数图象中的一个坐标轴，在线性代数中就是一个N维向量的一个分量。
- 属性(Attribute) ：属性对变量值和维的具体物理含义的注释或者说解释。
- 所以需要使用特定的读取功能库 ——
netCDF4，安装命令为：pip install netcdf4。
读取全球海温数据并查看其所有属性：
from netCDF4 import Dataset
nc_obj = Dataset('ERsst.mnmean.nc')
for i in nc_obj.variables:
print(i)
# 查看 sst 变量的信息
print(nc_obj.variables['sst'])输出如下，为文件的各类信息：
lat
lon
time_bnds
time
sst
float32 sst(time, lat, lon)
long_name: Monthly Means of Sea Surface Temperature
units: degC
var_desc: Sea Surface Temperature
level_desc: Surface
statistic: Mean
missing_value: -9.96921e+36
dataset: NOAA Extended Reconstructed SST V5
parent_stat: Individual Values
actual_range: [-1.8 42.32636]
valid_range: [-1.8 45. ]
unlimited dimensions: time
current shape = (1973, 89, 180)
filling on, default _FillValue of 9.969209968386869e+36 used 可以看出 sst 变量，在访问数据时需要传入三个参数，时间、纬度、经度。
查看 1958 年的全球海温数据：
from netCDF4 import Dataset
nc_obj = Dataset('ERsst.mnmean.nc')
temperature = nc_obj.variables['sst'][1958, :, :]
print(temperature)
print(temperature.shape)输出结果：
[[-1.7999999523162842 -1.7999999523162842 -1.7999999523162842 ...
-1.7999999523162842 -1.7999999523162842 -1.7999999523162842]
[-1.7999999523162842 -1.7999999523162842 -1.7999999523162842 ...
-1.7999999523162842 -1.7999999523162842 -1.7999999523162842]
[-1.7999999523162842 -1.7999999523162842 -1.7999999523162842 ...
-1.7999999523162842 -1.7999999523162842 -1.7999999523162842]
...
[-- -- -- ... -- -- --]
[-- -- -- ... -- -- --]
[-- -- -- ... -- -- --]]
(89, 180)可以看出，该数据只记载了海洋的温度，而大陆的温度由 -- 表示。
绘制全球海温等高线
绘制热力图
绘制全球海温时，首先要在图像上绘制出，全球海温各地数值，所以需先绘制全球海温的热力图。
from netCDF4 import Dataset
import matplotlib.pyplot as plt
import numpy as np
nc_obj = Dataset('ERsst.mnmean.nc')
temperature = nc_obj.variables['sst'][1958, :, :]
lat, lon = temperature.shape
plt.figure(figsize=(10, 5))
plt.imshow(temperature, cmap='Spectral_r')
x = plt.colorbar()
x.set_label('Temperature')
plt.show()可视化效果如下：
图一 全球海温数据绘制热力图
参数分析：
plt.imshow() 其实就是将数组的值以图片的形式展示出来,数组的值对应着不同的颜色深浅,而数值的横纵坐标就是数组的索引,比如一个 1000X1000 的数组,图片里的点也就有 1000X1000 个,比如第一个行第一个点的坐标就是 (0,0),它的值会通过 colorbar (也就是 cmap 参数)反映出来,也就可以说 plt.imshow() 函数的功能就是把数值展示成热图。
而 cmap 参数是指绘制图像的颜色参考系，还有众多的颜色模板可以进行设置，如下图：
图二 颜色模板
本次选用的就是 Spectral，相对而已比较符合温度的代表色彩，而 Spectral_r 后面的 _r 则表示颜色取反。
plt.colorbar() 就是创建一个子图，在绘制图像的旁边，用于显示数值与颜色的对应关系。
绘制等高线
绘制全球海温，可不只有热力图的绘制，还可以绘制等高线，来很直观的展示具有相同温度的海域，有较重要的研究意义。
from netCDF4 import Dataset
import matplotlib.pyplot as plt
import numpy as np
nc_obj = Dataset('ERsst.mnmean.nc')
temperature = nc_obj.variables['sst'][1958, :, :]
lat, lon = temperature.shape
X, Y = np.meshgrid(range(lon), range(lat))
plt.figure(figsize=(10, 5))
# 画出 8 个级别的线，并将颜色设置为黑色
contour = plt.contour(X, Y, temperature, 8, colors='k')
# 等高线上标明z（即高度）的值，字体大小是7，颜色分别是黑色
plt.clabel(contour, fontsize=7, colors='k')
plt.show()可视化效果如下：
图三 全球海温数据绘制等高线图
函数分析： 生成坐标矩阵
语法：X,Y = numpy.meshgrid(x, y)。
| 参数 | 说明 |
|---|---|
| x，y | 网格点的横纵坐标列向量（非矩阵） |
| X，Y | 坐标矩阵 |
X, Y = np.meshgrid(range(lon), range(lat)) 是用于生成网格点坐标矩阵的，具体将生成数组效果如下
lon = 180
lat = 89
X, Y = np.meshgrid(range(lon), range(lat))
print(X.shape, Y.shape)
print(X)
print(Y)
(89, 180) (89, 180)
[[ 0 1 2 ... 177 178 179]
[ 0 1 2 ... 177 178 179]
[ 0 1 2 ... 177 178 179]
...
[ 0 1 2 ... 177 178 179]
[ 0 1 2 ... 177 178 179]
[ 0 1 2 ... 177 178 179]]
[[ 0 0 0 ... 0 0 0]
[ 1 1 1 ... 1 1 1]
[ 2 2 2 ... 2 2 2]
...
[86 86 86 ... 86 86 86]
[87 87 87 ... 87 87 87]
[88 88 88 ... 88 88 88]]输出中的 X 是将 [0, lon) 纵向复制 lat 份, Y 是将 [0, lat) 横向复制 lon 份，所以 X，Y 的矩阵形状都是一样的为 (89, 180)。将 X，Y 数据矩阵对应组合就会形成网格坐标，绘制等高线时需要网格进行线条的绘制。
绘制等高线语法：plt.contour([X, Y,] Z, [levels], **kwargs)。
参数说明：
| 参数 | 作用 |
|---|---|
| X，Y | array-like，可选值 Z 的坐标。X 和 Y 必须都是 2-D，且形状与 Z 相同，或者它们必须都是 1-d，这样 len（X）== M 是 Z 中的列数，len(Y)== N 是 Z 中的行数 。 |
| Z | array-like（N，M）绘制等高线的高度值。 |
| levels | int 或类似数组，可选确定等高线/区域的数量和位置。如果int Ñ，使用 Ñ 数据间隔; 即绘制 n + 1 个等高线。水平高度自动选择。如果是数组，则在指定的级别绘制等高线。值必须按递增顺序排列。 |
编程要求
根据提示，在右侧编辑器补充代码，结合热力图以及等高线的绘制方法，绘制全球海温。
测试说明
平台会对你编写的代码进行测试。 效果图如下：
图四 绘制完成最终效果图
import matplotlib as mpl
# linux终端下没有GUI，进行设置
mpl.use('Agg')
from netCDF4 import Dataset
import matplotlib.pyplot as plt
import numpy as np
nc_obj = Dataset('step5/ERsst.mnmean.nc')
########## Begin ##########
# 获取 1970 年的全球海温数据
temperature = nc_obj
temperature = temperature.variables['sst'][1970,:,:]
########## End ##########
lat, lon = temperature.shape
# 生成网格点坐标矩阵
X, Y = np.meshgrid(range(lon), range(lat))
# 添加画布，画布尺寸宽为 10，长为 5
plt.figure(figsize=(10, 5))
########## Begin ##########
# 传入海温数据绘制热力图，cmap 参数选择 coolwarm
plt.imshow(temperature, cmap='coolwarm')
########## End ##########
# 绘制色彩子图
x = plt.colorbar()
########## Begin ##########
# 设置子图标签，为 Temperature
x.set_label('Temperature')
########## End ##########
########## Begin ##########
# 画出 7 条线，并将颜色设置为红色
contour = plt.contour(X, Y, temperature,7, colors='r')
########## End ##########
# 等高线上标明z（即高度）的值，字体大小是7，颜色分别是红色
plt.clabel(contour, fontsize=7, colors='r')
# 保存图像
plt.savefig('step5/image1/test.png')