1、NetCDF文件（***.nc）

python很多库支持了对nc格式文件的读取，比如NetCDF4，PyNio(PyNio和PyNgl可以看做是NCL的Python版本)以及Xarray等等。

我最初使用PyNio，但是由于NCL到Python的移植并不完全，导致目前远不如直接使用NCL方便，而在接触Xarray库后，发现其功能强大远超NCL(也可能是我NCL太菜的原因)。

安装同其它库一致：

conda install xarray

我这里以一套中国逐日最高温度格点资料(CN05.1)为例，其水平精度为0.5°X0.5°。

import xarray as xr
f_tmax = xr.open_dataset('CN05.1_Tmax_1961_2017_daily_05x05.nc')

image.png

可以看到，文件的坐标有时间， 经度，纬度，变量有日最高温
我们将最高温数据取出

tmax = f_tmax['tmax']

image.png

这与Linux系统中的ncl_filedump指令看到的信息是类似的
Xarray在读取坐标信息时，自动将时间坐标读取为了datetime64 格式，这对我们挑选目的时间十分方便。Xarray通常与pandas配合使用。
比如我们想选取1979.06.01-1979.06.20时期数据，我们只需

a = tmax.loc['1979-06-01':'1979-06-20']

image.png

再比如我们想选取夏季数据时，只需

a = tmax.loc[tmax.time.dt.season=='JJA']

image.png

更多的时间操作同python的datetime函数类似。
当我们想选取特定经纬度范围(高度)的数据时，.loc[]函数同样可以解决。
在这里，我选取了40°N-55°N，115°E-135°E范围的数据

a = tmax.loc[:,40:55,115:135]

image.png

甚至，我们还可以套娃，同时叠加时间和范围的选取

a = tmax.loc[:,40:55,115:135].loc[tmax.time.dt.season=='JJA']

image.png

这足够满足常用到的数据索引要求。

2、TXT(CSV...)

对于这类简单排列的.txt文件，可以通过np.load读取，用pandas的.read_csv更为方便

image.png

data = pd.read_csv("cslist.txt",sep=',',header=None, names=['a','b','c','d','e','f','g','h','i','j','k']) 

读取txt的同时，对每列赋予了一个列名，通过data.a可以直接按列名调用相应数据。
对于较复杂的.txt文件，仍可通过该函数读取

image.png

data1 = pd.read_csv("trajectories.txt",skiprows=5,sep='\s+',header=None)  

skiprows=5跳过了前5行的文件头，sep='\s+'定义了数据间隔为空格，这里用的是正则表达。
pd.read_csv函数有很多的参数，可以处理各种复杂情况下的文本文件读取。

3、Grib

grib文件可通过pygrib库读取
import pygrib
f = pygrib.open('xxx.grb')