计算 Python 中多维数组中达到或超过阈值的次数

Question

我有一个从 netCDF 文件中引入的 numpy 数组，其形状为 (930, 360, 720)，它被组织为（时间、纬度、经度）。

在 930 个时间戳的每个 lat/lon 对中，我需要计算该值达到或超过阈值 "x"（例如 0.2 或 0.5 等）的次数。 ) 并最终计算每个点超过阈值的百分比，然后输出结果以便稍后绘制。

我尝试了很多方法，但这是我最近的方法：

lat_length = len(lats) 

#where lats has been defined earlier when unpacked from the netCDF dataset

lon_length = len(lons) 

#just as lats; also these were defined before using np.meshgrid(lons, lats)

for i in range(0, lat_length):
     for j in range(0, lon_length):
          if ice[:,i,j] >= x:
               #code to count number of occurrences here
               #code to calculate percentage here
               percent_ice[i,j] += count / len(time) #calculation 

 #then go on to plot percent_ice

我希望这是有道理的！我将不胜感激任何帮助。我在 Python 自学，所以我可能会遗漏一些简单的东西。

现在是使用 any() 函数的时候吗？计算超过阈值的次数然后计算百分比的最有效方法是什么？

Answer 1

啊，你看，又一个气象学家！

可能有多种方法可以做到这一点，我的解决方案不太可能是最快的，因为它使用了 numpy 的 MaskedArray，众所周知它很慢，但这应该可行：

Numpy 有一种称为 MaskedArray 的数据类型，它实际上包含两个普通的 numpy 数组。它包含一个数据数组和一个布尔掩码。我会首先屏蔽所有大于或等于我的阈值的数据（使用 np.ma.masked_greater() 刚好大于）：

ice = np.ma.masked_greater_equal(ice)

然后，您可以使用 ice.count() 通过指定要沿特定轴计数来确定每个 lat/lon 点低于阈值的值的数量：

n_good = ice.count(axis=0)

这应该return 一个包含好点数的二维数组。然后，您可以通过从 ice.shape[0]:

中减去 n_good 来计算坏的数量

n_bad = ice.shape[0] - n_good

并使用以下方法计算不良百分比：

perc_bad = n_bad/float(ice.shape[0])

有很多方法可以不使用 MaskedArray 来做到这一点。这只是我想到的简单方法。

Answer 2

您可以将输入的 3D 数组与阈值 x 进行比较，然后沿第一个轴与 ndarray.sum(axis=0) 求和以获得计数，从而获得百分比，就像这样 -

# Calculate count after thresholding with x and summing along first axis
count = (ice > x).sum(axis=0)

# Get percentages (ratios) by dividing with first axis length
percent_ice = np.true_divide(count,ice.shape[0])

计算 Python 中多维数组中达到或超过阈值的次数

Counting the number of times a threshold is met or exceeded in a multidimensional array in Python

python

arrays

numpy

percentage

multidimensional-array