背向NCL，面向对象

首先这不是一篇告诉你如何抛弃NCL的推送，而是告诉你如何更好的使用Python！

作为曾经地球科学领域最炙手可热脚本语言之一的NCL已经进入维护模式，不再更新。NCAR将使用Python作为地球科学领域的主要数据处理和可视化工具。

NCAR对NCL进行了“封装”，构成了PyNGL和PyNIO，随后可能还会开发一款工具，囊括NCL中大多数函数。PyNGL和PyNIO中的函数和绘图方式与NCL是非常类似的，可以非常顺畅的从NCL转到Python。

但遗憾的是PyNGL和PyNIO仍不支持Windows系统(除了Win10的 Linux子系统外)。既然已经从NCL转到Python了，那么为什么一定要执着于PyNGL和PyNIO呢，今天就抛开PyNGL和PyNIO，介绍Python中其他常用库，实现真正的跨平台切换。

数据处理

• NetCDF格式 : netCDF4-python，h5py，h5netcdf，xarray等。 除了上述简单的数据处理库之外，python还提供了NCO和CDO工具的封装，pynco和cdo，提供了更多的便捷操作。

• Grib格式：xarray，Iris，pygrib等，有些仅支持类Unix系统。 ECWMF提供了cfgrib工具可将grib格式转换为NetCDF格式，cfgrib库支持Mac，Linux和windows系统。

• csv, xlsx等格式：pandas你值得拥有，无论是气象还是其他领域的类似格式数据，使用pandas可以解决你的常用操作。

• HDF格式：pandas和h5py可以处理hdf5格式，PyHDF可以处理hdf4格式。

• 二进制：numpy可以处理二进制数据，同时借助python内置struct模块可以非常方便的处理二进制格式数据。

上述介绍的一些库，很多仅支持简单的数据读取和写入操作，不支持更多计算操作。如果要对空间数据进行插值，可能就无法满足了。

数据插值

• xESMF和ESMPy：气象数据空间插值，尤其是对于模式网格数据而言，提供了一些便捷的命令可对网格数据进行一些列插值操作

• python-stratify：针对大气和海洋数据进行垂直插值
  

• scipy.interpolate模块提供了大量插值函数

• python-geotiepoints：针对地理网格数据的空间插值

说到地球科学领域的数据处理，最离不开的应该也是模式输出数据了。Python中有很多处理模式输出的库，功能都比较完善。

模式输出处理

• wrf-python：对于使用WRF模式的来说使用最为频繁的模式输出后处理工具之一。

• salem：这个库包含了数据处理和可视化几乎所有功能，就放这里吧，毕竟也提供了不少WRF模式后处理和前处理的函数。

• CESM_postprocessing：针对CESM地球模式的后处理工具

• CAMxTools：提供了CAMx和CMAQ模型的前处理和后处理功能

• PseudoNetCDF：类似处理NetCDF的工具，可用于处理CMAQ等模式输出结果

• MONET：模式和观测评估工具

雷达和卫星数据处理

• PyART，wradlib可用于处理国外常见格式的雷达数据。改进后的PyART和PyART提供国内常用的S波段雷达数据处理方式，还有这个PyCINRAD。此外，Python中还提供了不少雷达数据处理和反演库。

• satpy，PyCAMA，pys5p，pyresample等库可处理常见的卫星数据

说到数据处理，当然少不了Micaps的多种数据格式了，下面介绍一款国内大神基于Python开发的Micaps数据处理和可视化库：

Micaps数据处理

• PyMICAPS：PyMICAPS是由国内某气象局一位大神开源的Micaps输出处理和可视化工具(发布在知名同性 交友平台–Github)，功能相对齐全，而且也在不断完善。感兴趣的可以下载使用，并反馈意见，帮助持续完善(打个广告~~)。

数据处理完成之后，当然是要进一步进行分析，python中提供了相当多的分析工具，以下仅列出一小部分：

数据分析

• EOFS：Python EOF分析库

• statsmodels：Python统计分析库，提供了大量的统计分析函数

• scikit-learn：Python中较为热门的机器学习库，其中也提供了相当多的统计学方法

• metpy，sharppy，atmos等库可计算大气科学领域常用的一些参数，其中metpy还提供了一些可视化和数据处理函数。

数据处理完成后，当然也要画图看一下了，要不然怎么发paper呢<手动狗头>？

数据可视化

• matplotlib：matplotlib可以说是python中最为基础的绘图库了

• seaborn：针对统计分析的可视化库

• Basemap和Cartopy：针对地理信息的可视化库

• EarthSim：针对环境模拟(比如水文气象等)的后处理可视化工具，包含了交互式可视化。

• calmap：可以绘制日历图

还有一些库不知道该怎么分类，就放到这边吧：

• geopandas：地理空间数据处理和可视化神器

• pyshp，fiona等可处理常规的shapefile文件，常在画图的时候添加海岸线和边界线使用

上述介绍的可视化库大多是非交互式可视化库，关于Python中更多的可视化库分类，见Python可视化工具概览画图当然少不了配色，以下介绍一些Python中的配色库：

• cmocean：海洋科学领域的配色库，除了python版之外，还有matlab及其他版本

• colorcet，palettable，colour：提供了很多可选的colormap

• colormap：提供了一些颜色转换基础操作和创建colormap的函数

• cmaps：提供了NCL中所有的colormap

除了上面提到的之外，Python中还有很多可用的库，比如网络数据获取requests和bs4等，而且很多国外很多机构都提供了python版的获取数据的API接口工具。

机器学习

• sklearn：前面已经介绍，可以用这个框架完成常用的机器学习流程，从数据预处理，特征工程，建模到评估，非常方便，但不支持深度学习的模型。

• TensorFlow：大家都耳熟能详的深度学习框架，是Google brain 开发和维护的，在工业界和学术界都有广泛的使用。

• Pytorch：与TensorFlow相比，Pytorch更加方便实现简单灵活的实验，它的前身是Torch，用的是lua语言，从Torch到Pytorch可以看成是lua到python的迁移。

• Keras：是建立在 Tensorflow 和 Theano 之上的更高级的 封装，非常容易上手，适合进行简单的试验。具体可以看铁柱同学的系列文章。

• XGBoost：被称为机器学习大杀器的XGBoost(eXtreme Gradient Boosting)，想必大家都有所耳闻，很多比赛的top solutions大多数都用了这个算法。

• lightgbm：微软推出的gbm算法模型，更加轻量，一些测试表明其可以实现类似xgboost的效果，但是可以极大节约时间成本。

• CatBoost：CatBoost是Yandex在17年开源的机器学习框架，对类别特征支持较好，可以理解为基于类别特征优化的GBM算法。

• Hyperopt：强大的调参库，支持贝叶斯优化。

上面仅对仅列出了一些气象或者机器学习常用库，当然还有很多库有待挖掘。当你有一个想法的时候，可以在Google或者Github搜索一下，说不定Python就能满足你呢！