可以使用pd.to_datetime函数将时间字符串转换为时间类型,并将其赋值给数据集的时间坐标。 如果数据集中的时间坐标不是连续的,可以使用xr.cftime_range函数创建一个连续的时间范围,并将其赋值给数据集的时间坐标。这将确保时间坐标在时间序列上是连续的。 如果数据集中的时间坐标是不规则的,可以使用xr.DataArray....
可以使用pd.to_datetime函数将时间字符串转换为时间类型,并将其赋值给数据集的时间坐标。 如果数据集中的时间坐标不是连续的,可以使用xr.cftime_range函数创建一个连续的时间范围,并将其赋值给数据集的时间坐标。这将确保时间坐标在时间序列上是连续的。 如果数据集中的时间坐标是不规则的,可以使用xr.DataArray....
def test_cftime_datetime_mean(): times = cftime_range('2000', periods=4) da = DataArray(times, dims=['time']) assert da.isel(time=0).mean() == da.isel(time=0) expected = DataArray(times.date_type(2000, 1, 2, 12)) result = da.mean() assert_equal(result, expected) da_2d...
(note that ``use_cftime=True`` is not mandatory to return a :py:class:`~xarray.CFTimeIndex` for non-standard calendars, but can be nice to use to be explicit): .. ipython:: python dates = xr.cftime_range(start="0001", periods=24, freq="MS", calendar="noleap") dates = xr.da...
"-1YE"). These strings are for example used in :pydate_range, and :pycftime_range (8651). By Mathias Hauser. Add :pyNamedArray.expand_dims, :pyNamedArray.permute_dims and :pyNamedArray.broadcast_to (8380) By Anderson Banihirwe. Xarray now defers to flox's heuristics to set the ...
cftime.DatetimeNoLeap 对象无法使用 pandas.to_datetime() 进行转换 我正在使用 xarray 读取多个气候模型数据,自从升级 python 以来,我的代码现在已停止工作。 它失败了,因为某些模型数据具有不同的日历: In[15]:ds.coords['time'].values[0]Out[15]:cftime.DatetimeNoLeap(1861, 1, 16, 12, 0, 0, 0, ...
shift_cftime_index(forecast,'time', n, freq), dims=['time'], coords=[forecast['time']], )forninn ],'lead', ) init_lead_matrix['lead'] = leadsreturninit_lead_matrix 開發者ID:bradyrx,項目名稱:climpred,代碼行數:33,代碼來源:alignment.py ...
可以使用pd.to_datetime函数将时间字符串转换为时间类型,并将其赋值给数据集的时间坐标。 如果数据集中的时间坐标不是连续的,可以使用xr.cftime_range函数创建一个连续的时间范围,并将其赋值给数据集的时间坐标。这将确保时间坐标在时间序列上是连续的。 如果数据集中的时间坐标是不规则的,可以使用xr.DataArray....
import xarray as xr import pytz from datetime import datetime # 创建一个示例数据集 data = xr.Dataset({ 'temperature': (['time'], [20, 21, 22]), 'time': pd.date_range('2023-04-01', periods=3, freq='D') }) # 设置时间坐标为 UTC data['time'] = data['time'].dt.tz_localiz...
sort() def open_virtual(filepath): return open_virtual_dataset(filepath, indexes = {}, loadable_variables=['lon', 'lat', 'time', 'zlev'], cftime_variables=['time']) vdd = [ dask.delayed(open_virtual)(filepath) for filepath in nc ] vd = dask.compute(vdd) vds = xarray.concat...