计算Python中多维数组中达到或超过阈值的次数

我有一个numpy数组，它是从一个netCDF文件中引入的，它的形状是（930360720），它被组织为（时间、纬度、经度）

对于930个时间戳中的每个lat/lon对，我需要计算值满足或超过阈值“x”（如0.2或0.5等）的次数，并最终计算在每个点超过阈值的百分比，然后输出结果，以便以后可以绘制它们

我尝试了许多方法，但以下是我最近的一次：

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

我希望这是有意义的！我将非常感谢任何帮助。我自学了Python，所以可能遗漏了一些简单的东西

---

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

啊，看，另一位气象学家

可能有多种方法可以做到这一点，而我的解决方案不太可能是最快的，因为它使用了numpy的

MaskedArray

，众所周知它速度很慢，但这应该可以做到：

Numpy有一个称为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_bether（）

仅用于大于）：

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点的阈值以下的值：

n_good = ice.count(axis=0)

这将返回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\u good

来计算坏数：

n_bad = ice.shape[0] - n_good

并使用以下公式计算不良的百分比：

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

---

有很多方法可以做到这一点，而无需使用

MaskedArray

。这是我想到的最简单的方法。

您可以将输入的3D数组与阈值

x

进行比较，然后沿第一个轴与求和，以获得计数和百分比，如下所示-

# 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])

---

您是要计算整个数组中超过阈值的总次数，还是要计算每个时间戳的总次数。i、 e您是在寻找单个数字，如100倍或930倍，因此时间戳1超过5倍，时间戳2超过10倍，依此类推。每个lat/lon的总次数（因此循环中的i和j对），因此最终输出将生成一个形状数组（720360）而每一个点都会容纳超过的次数。这有助于更好地澄清问题吗？你的回答让我意识到我对这个问题的思考有多么严重。@Vorticity啊，别担心！发生在我们最好的人身上！：）

# 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])