python绘图

环境配置与IDE配置

python环境安装可通过直接下载或者通过包管理器anaconda下载，这里更推荐使用anaconda可以搭建多个不同版本的python环境且彼此不受影响,两种方法下载后均会自动配置好环境变量，不需要下一步操作。后续介绍主要围绕anaconda+vscode的配置来介绍。
conda创建环境需要打开anaconda prompt来创建，常用的conda命令如下
- conda env list 列出目前已有的环境
- conda create -n env_name python=3.x.x 创建名称为env_name版本为3.x.x的python环境
- conda activate env_name 进入env_name的环境 deactivate 退出环境
- 在进入某一环境后可以通过conda install xxx来下载不同的包，原理与pip相同
IDE使用vscode，下载好后在任意一个目录下创建python文件后，在右下角选择已经创建好的conda环境即可
常用包

numpy 数据处理包，主要使用其中创建空数组或是对数组进行布尔逻辑索引等操作
matplotlib python中绘图最主要的包
xarray 可以读取.nc等带有表头格式的文件
cartopy 主要进行地图绘制的包
netCDF4 可以读取nc格式文件并将读取出来的文件转换为ndarray即numpy数组
scipy 包含许多统计变量的计算函数
h5py 读取HDF格式文件，读取后变为Dataset格式，通过提取变量变为ndarray
shapefile 与shp文件相关的地图绘制

绘图基本流程与常用函数

以绘制GPM降水资料在甘肃的分布为例

读取数据

import h5py
file = 'path_to_GPM_file'
Dataset = h5py.File(file)
lon = Dataset['/Grid/lon'][:] #不同的二进制文件中变量关键词不同，变量组关系不同，可使用ncdump -h 先查看文件变量组在读取
lat = Dataset['/Grid/lat'][:] #这里使用[:]是为了只将变量中的数据取出，而不包含变量的头信息等
prec = Dataset['Grid/precipitationCal'][:]/2 #由于GPM是逐半小时的降雨率
prec = prec[0,:,:].transpose() #由于GPM资料是time*lon*lat，需要转化为lat*lon再绘图

控制数据区域

由于GPM数据为全球范围，直接整体处理对内存与运行速度负载较大，可以通过python中numpy的特性MaskedArray与shp文件来限定其范围

import numpy as np
import shapefile as shp
mark = np.zeros((150,200),dtype=bool) #创建一个布尔形式与数据大小相符的数组
shp_file = shp.Reader('Gansu.shp')
rec = shp_file.shapeRecords()
for r in rec:
    poly = r.shape    #.shape属性一般需要通过迭代内部才能取到
for i in range(0,len(lon)):
    for j in range(0,len(lat)): #通过便利格点，来确定其是否在给定的shp文件范围内部
        if geometry.Point([lon[i],lat[j]]).within(geometry.shape(poly)):
            mark[j,i] = True # 根据shp文件结构不同，需要调整poly的结构，如这里使用的是甘肃省界shp文件，内部仅有一个多边形

到这里，mark数组就变为了在甘肃省内部为True，外部为False的一个标记数组，之后将经纬度网格点以及降水数据网格点取mark，即可绘制图像。这是python中较为常用的一个特性

绘图

主要用到matplotlib下的pyplot包,需要在画图时将图中出现的字体改为新罗马

from matplotlib import pyplot as plt #引入pyplot库
import matplotlib as mpl
mpl.rcParams['font.family'] = 'sans-serif'
mpl.rcParams['font.sans-serif'] = ['Times New Roman']
mpl.rcParams['axes.unicode_minus'] = False
mpl.rcParams['mathtext.fontset'] = 'stix'

主要的画图函数有

plt.plot(x = ,y = ,color = ,linestyle = ) #折线图 可指定线条颜色，线条形式(实线 solid、虚线 dashed...)
plt.contourf(x = , y = , z = , cmap = ) #填色图 z为每个格点上对应的值，注意，这里的xy必须为网格点数据，即不能是单一的xy一维序列，而是网格坐标，cmap可以修改填色所使用的colorbar
import matplotlib.colors as mcolors
clevs = [0,0.1,2,5,15,30,50]
cdict = ['#00000000','#A9F090','#40B73F','#63B7FF','#0000FE','#FF00FC','#850042']
prec_cmap = mcolors.ListedColormap(cdict)
norm = mpl.colors.BoundaryNorm(clevs,prec_cmap.N) #可以使用这种方式自定义cmap，同样可以在scatter图中使用
plt.scatter(x = , y = , c = , cmap = ,...) #注意，scatter中的xy与countourf不同，需为一维长度相等的数组，不可为二维网格
plt.contour() #等值线图 同contourf
plt.bar(x = , height = , width = ) #直方图 可以指定宽度或是高度随x而变化

绘图流程

可以通过plt直接调用几个函数直接进行绘制，或是通过

fig = plt.figure(figsize=(12,8))
ax = fig.addsubplot(111,projection = xxx) #这里的111是指一幅图，可以通过指定该参数来绘制组图如
ax1 = fig.addsubplot(2,2,1) # 此时添加了一副2*2的子图，并指定当前绘图区域在第一幅，即左上图，按照左到右，上到下排序
....
# 在绘图结束后，可以调用
plt.savefig(fanme = , dpi = , Orientation = , format = ) # 参数包括文件保存地址与文件名，文件清晰度(如保存位图可忽略)，图片方向，图片格式
# 或是
plt.show() # 在弹出的对话框中选择保存的形式

常用绘图工具函数

经纬度显示转化

from matplotlib.ticker import FuncFormatter
def to_latitude(temp, position):
    return '%1.0f'%(temp) + '°N'
def to_longtitude(temp,position): #通过占位符替换坐标轴显示形式，同理可以改写百分数
    return '%1.0f'%(temp)+ '°E'

需要在主函数，即绘图调用处加上,同理，改写百分制显示时只需要改写y轴显示形式即可

x_fomatter = FuncFormatter(to_longtitude)
y_fomatter = FuncFormatter(to_latitude)
plt.gca().yaxis.set_major_formatter(y_fomatter)
plt.gca().xaxis.set_major_formatter(x_fomatter)

figure_draw_py

python绘图

环境配置与IDE配置

常用包

绘图基本流程与常用函数