Python 2.7 “时变单位”；日期为%Y%m%d.%f“；在python iris中

我希望有人能帮忙。我正在使用iris在python中运行一些气候模型（NetCDF文件）。在我添加了格式不同的最后一个模型之前，一切都很顺利。在新型号中，他们用于时间变量的单位是

天，为%Y%m%d.%f

，但在其他型号中，则是

天，因为…

。这意味着，当我试图约束时间变量时，会出现以下错误

AttributeError:'numpy.float64'对象没有属性'year'

。 我尝试使用iriscc添加年份变量。添加年（EARTH3，'time'），但这只会导致错误

“单位有未定义的日历”

我想知道你是否知道我该如何解决这个问题？我需要转换日历类型吗？还是有办法解决这个问题？我不知道该怎么做

谢谢大家!！ 埃里卡

编辑：这是我的文件的完整代码模型CanESM2正在工作，但模型EARTH3没有-它是一个有趣的时间单位

import matplotlib.pyplot as plt
import iris
import iris.coord_categorisation as iriscc
import iris.plot as iplt
import iris.quickplot as qplt
import iris.analysis.cartography
import cf_units
from cf_units import Unit
import datetime
import numpy as np

def main():
    #-------------------------------------------------------------------------

    #bring in all the GCM models we need and give them a name
    CanESM2= '/exports/csce/datastore/geos/users/s0XXXX/Climate_Modelling/GCM_data/tasmin_Amon_CanESM2_historical_r1i1p1_185001-200512.nc'
    EARTH3= '/exports/csce/datastore/geos/users/s0XXXX/Climate_Modelling/GCM_data/tas_Amon_EC-EARTH_historical_r3i1p1_1850-2009.nc'

    #Load exactly one cube from given file
    CanESM2 = iris.load_cube(CanESM2)
    EARTH3 = iris.load_cube(EARTH3)

    print"CanESM2 time"
    print (CanESM2.coord('time'))
    print "EARTH3 time"
    print (EARTH3.coord('time'))

    #fix EARTH3 time units as they differ from all other models
    t_coord=EARTH3.coord('time')
    t_unit = t_coord.attributes['invalid_units']
    timestep, _, t_fmt_str = t_unit.split(' ')
    new_t_unit_str= '{} since 1850-01-01 00:00:00'.format(timestep) 
    new_t_unit = cf_units.Unit(new_t_unit_str, calendar=cf_units.CALENDAR_STANDARD)

    new_datetimes = [datetime.datetime.strptime(str(dt), t_fmt_str) for dt in t_coord.points]
    new_dt_points = [new_t_unit.date2num(new_dt) for new_dt in new_datetimes]
    new_t_coord = iris.coords.DimCoord(new_dt_points, standard_name='time', units=new_t_unit)

    print "EARTH3 new time"
    print (EARTH3.coord('time'))

    #regrid all models to have same latitude and longitude system, all regridded to model with lowest resolution
    CanESM2 = CanESM2.regrid(CanESM2, iris.analysis.Linear())
    EARTH3 =EARTH3.regrid(CanESM2, iris.analysis.Linear())

    #we are only interested in the latitude and longitude relevant to Malawi (has to be slightly larger than country boundary to take into account resolution of GCMs)
    Malawi = iris.Constraint(longitude=lambda v: 32.0 <= v <= 36., latitude=lambda v: -17. <= v <= -8.)   
    CanESM2 =CanESM2.extract(Malawi)
    EARTH3 =EARTH3.extract(Malawi)

    #time constraignt to make all series the same, for ERAINT this is 1990-2008 and for RCMs and GCMs this is 1961-2005
    iris.FUTURE.cell_datetime_objects = True
    t_constraint = iris.Constraint(time=lambda cell: 1961 <= cell.point.year <= 2005)
    CanESM2 =CanESM2.extract(t_constraint)
    EARTH3 =EARTH3.extract(t_constraint)

    #Convert units to match, CORDEX data is in Kelvin but Observed data in Celsius, we would like to show all data in Celsius
    CanESM2.convert_units('Celsius')
    EARTH3.units = Unit('Celsius') #this fixes EARTH3 which has no units defined
    EARTH3=EARTH3-273 #this converts the data manually from Kelvin to Celsius

    #add year data to files
    iriscc.add_year(CanESM2, 'time')
    iriscc.add_year(EARTH3, 'time')

    #We are interested in plotting the data by year, so we need to take a mean of all the data by year
    CanESM2YR=CanESM2.aggregated_by('year', iris.analysis.MEAN)
    EARTH3YR = EARTH3.aggregated_by('year', iris.analysis.MEAN)

    #Returns an array of area weights, with the same dimensions as the cube
    CanESM2YR_grid_areas = iris.analysis.cartography.area_weights(CanESM2YR)
    EARTH3YR_grid_areas = iris.analysis.cartography.area_weights(EARTH3YR)

    #We want to plot the mean for the whole region so we need a mean of all the lats and lons
    CanESM2YR_mean = CanESM2YR.collapsed(['latitude', 'longitude'], iris.analysis.MEAN, weights=CanESM2YR_grid_areas)   
    EARTH3YR_mean = EARTH3YR.collapsed(['latitude', 'longitude'], iris.analysis.MEAN, weights=EARTH3YR_grid_areas) 

    #-------------------------------------------------------------------------
    #PART 4: PLOT LINE GRAPH
    #limit x axis    
    plt.xlim((1961,2005)) 

    #assign the line colours and set x axis to 'year' rather than 'time'
    qplt.plot(CanESM2YR_mean.coord('year'), CanESM2YR_mean, label='CanESM2', lw=1.5, color='blue')
    qplt.plot(EARTH3YR_mean.coord('year'), EARTH3YR_mean, label='EC-EARTH (r3i1p1', lw=1.5, color='magenta')

    #set a title for the y axis
    plt.ylabel('Near-Surface Temperature (degrees Celsius)')

    #create a legend and set its location to under the graph
    plt.legend(loc="upper center", bbox_to_anchor=(0.5,-0.05), fancybox=True, shadow=True, ncol=2)

    #create a title
    plt.title('Tas for Malawi 1961-2005', fontsize=11)   

    #add grid lines
    plt.grid()

    #show the graph in the console
    iplt.show()

if __name__ == '__main__':
    main()

导入matplotlib.pyplot作为plt
进口虹膜
导入iris.coord_分类为iriscc
将iris.plot导入为iplt
将iris.quickplot导入为qplt
导入iris.analysis.Maptography
导入CFU单元
从cf_单元导入单元
导入日期时间
将numpy作为np导入
def main（）：
#-------------------------------------------------------------------------
#带上我们需要的所有GCM模型，并给它们命名
CanESM2='/exports/csce/datastore/geos/users/s0XXXX/Climate_modeling/GCM_data/tasmin_Amon_CanESM2_history_r1p1_185001-200512.nc'
EARTH3='/exports/csce/datastore/geos/users/s0XXXX/Climate_modeling/GCM_data/tas_Amon_EC-EARTH_history_r3i1p1_1850-2009.nc'
#从给定文件中只加载一个多维数据集
CanESM2=iris.load\u多维数据集（CanESM2）
EARTH3=iris.load\u立方体（EARTH3）
打印“CanESM2次”
打印（CanESM2.coord（'time'））
打印“地球3次”
打印（EARTH3.coord（“时间”））
#固定EARTH3时间单位，因为它们不同于所有其他型号
t_coord=EARTH3.coord（‘时间’）
t_单位=t_坐标属性['invalid_单位']
timestep，u，t_fmt_str=t_unit.split（“”）
自1850-01-01 00:00:00以来的新单位{}。格式（时间步）
新单位=cf单位。单位（新单位，日历=cf单位。日历标准）
new_datetimes=[datetime.datetime.strtime（str（dt），t_fmt_str）表示t_坐标点中的dt]
new_dt_points=[new_t_unit.date2num（new_dt）表示new_dt在new_datetimes中]
新的坐标=iris.coords.DimCoord（新的坐标点，标准的时间，单位=新的单位）
打印“地球3新时间”
打印（EARTH3.coord（“时间”））
#将所有模型重新划分为具有相同的纬度和经度系统，所有模型重新划分为具有最低分辨率的模型
CanESM2=CanESM2.reglid（CanESM2，iris.analysis.Linear（））
EARTH3=EARTH3.regrid（CanESM2，iris.analysis.Linear（））
#我们只对与马拉维相关的纬度和经度感兴趣（考虑到GCMs的分辨率，必须略大于国家边界）
马拉维=iris.Constraint（经度=lambda v:32.0在iris中，时间坐标的单位字符串必须以
格式指定，因为
是时间的度量单位，例如“天”或“年”。iris库使用此格式提供有效单位并执行单位转换

在这种情况下，时间坐标没有遵循此格式的单位，这意味着时间坐标将没有完整的时间坐标功能（这部分解释了问题中的属性错误）。要解决此问题，我们需要基于现有时间坐标的值和元数据构建新的时间坐标，然后用新的时间坐标替换多维数据集的现有时间坐标

为此，我们需要：

基于现有时间单位中包含的元数据构造新的时间单位
使用现有时间单位中指定的格式字符串，获取现有时间坐标的点值并将其格式化为datetime对象
使用（1）中构造的新时间单位将datetime对象从（2）转换为浮点数数组
根据（3）中构造的数组和（1）中生成的新时间单位创建新的时间坐标
从多维数据集中删除旧的时间坐标，然后添加新的时间坐标
下面是执行此操作的代码

import datetime
import cf_units
import iris
import numpy as np

t_coord = EARTH3.coord('time')

t_unit = t_coord.attributes['invalid_units']
timestep, _, t_fmt_str = t_unit.split(' ')
new_t_unit_str = '{} since 1850-01-01 00:00:00'.format(timestep)
new_t_unit = cf_units.Unit(new_t_unit_str, calendar=cf_units.CALENDAR_STANDARD)

new_datetimes = [datetime.datetime.strptime(str(dt), t_fmt_str) for dt in t_coord.points]
new_dt_points = [new_t_unit.date2num(new_dt) for new_dt in new_datetimes]
new_t_coord = iris.coords.DimCoord(new_dt_points, standard_name='time', units=new_t_unit)

t_coord_dim = cube.coord_dims('time')
cube.remove_coord('time')
cube.add_dim_coord(new_t_coord, t_coord_dim)

我已经为您的时间数据做了一个关于最佳纪元的假设。我也对最能描述您的数据的日历做了一个假设，但是您应该能够（在构建
新的\u\u单位
时）将我选择的标准日历替换为任何其他有效的
cf\u单位
日历

最后一点，实际上不可能更改日历类型。这是因为不同的日历类型包含和排除不同的日期。例如，360天的日历有2月30日，但没有5月31日（因为它假设12个理想化的30天长的月）。如果您尝试将360天日历转换为标准日历，您遇到的问题包括如何处理2月29日和30日的数据，以及如何填充360天日历中不存在的五天。由于这些原因，通常无法转换日历（Iris不允许此类操作）

希望这能有所帮助！
也许答案没有多大用处，但我在这里写了一个函数，该函数是我为了转换datetime数组中%Y%m%d.%f的数据而创建的

函数创建一个完美的datetime数组，没有丢失的值，可以修改它以考虑是否有丢失的时间，但是气候模型不应该有丢失的数据

def fromEARTHtime2Datetime(dt,timeVecEARTH):
    """
    This function returns the perfect array from the EARTH %Y%m%d.%f time 
    format and convert it to a more useful time, such as the time array
    from the datetime of pyhton, this is WHTOUT any missing data!

    Parameters
    ----------
    dt : string
        This is the time discretization, it can be 1h or 6h, but always it 
        needs to be hours, example dt = '6h'.
        
    timeVecEARTH : array of float
        Vector of the time to be converted. For example the time of the
        EARTH is day as %Y%m%d.%f.
        And only this format can be converted to datetime, for example:
            20490128.0,20490128.25,20490128.5,20490128.75 this will be converted
            in datetime: '2049-01-28 00:00:00', '2049-01-28 60:00:00',
                         '2049-01-28 12:00:00','2049-01-28 18:00:00'

    Returns
    -------
    timeArrNew : datetime
        This is the perfect and WITHOUT any missing data datatime array, 
        for example: DatetimeIndex(['2049-01-28 00:00:00', '2049-01-28 06:00:00',
                                        ...
                                   '2049-02-28 18:00:00', '2049-03-01 00:00:00'],
                                   dtype='datetime64[ns]', length=129, freq='6H')

    """

    dtDay = 24/np.float(dt[:-1])
    partOfDay = np.arange(0,1,1/dtDay)
    hDay = []
    for ip in partOfDay:
        hDay.append('%02.f:00:00' %(24*ip))
    dictHours = dict(zip(partOfDay,hDay))
    
    t0Str = str(timeVecEARTH[0])
    timeAux0 = t0Str.split('.')
    timeAux0 = timeAux0[0][0:4] +'-' + timeAux0[0][4:6] +'-' + timeAux0[0][6:] + ' ' + dictHours[float(timeAux0[1])]
    
    tendStr = str(timeVecEARTH[-1])
    timeAuxEnd = tendStr.split('.')
    timeAuxEnd = timeAuxEnd[0][0:4] +'-' + timeAuxEnd[0][4:6] +'-' + timeAuxEnd[0][6:] + ' ' + dictHours[float(timeAuxEnd[1])]
    
    timeArrNew = pd.date_range(timeAux0,timeAuxEnd, freq=dt)
    
    return timeArrNew


您好@ErikaAWT–这是一个非常有趣的问题！我想我有一个解决方案，我将在近期发布，但为了帮助我使解决方案尽可能准确，您能用打印出的多维数据集的时间坐标更新您的问题吗？