Python实现同尺寸数组对应元素求和及月度均值计算

我是Python新手，可能我的问题已有解答，但我对相关方案的代码实现（尤其是函数定义）不太熟悉，若有重复提问请见谅。
我处理Copernicus的每日海洋温度数据，因多年月度每日数据的NetCDF文件过大，需直接在线访问数据而非下载。
数据以单日数组形式存储，我需要实现月度所有日期数组的对应元素求和，最终计算月度均值。

简化示例 #

单日数据示例 #

import numpy as np

array1 = np.array([[1,4,3,9],
                   [7,5,2,3]])

array2 = np.array([[3,8,6,1],
                   [6,4,7,2]])
# ... 直到当月最后一天（28/29/30/31）

期望求和结果 #

# 对应元素求和
sum_array = array1 + array2
# 结果：
# [[4,12,9,10],
#  [13,9,9,5]]

最终月度均值（以3天为例） #

array3 = np.array([[3,2,6,1],
                   [1,3,5,2]])
mean_array = (array1 + array2 + array3) / 3
# 结果示例：
# [[2.3,4.6,5,3.6],
#  [4.6,4.3,4.6,2.3]]

已实现的两天数据求和代码 #

import os
import xarray as xr
import numpy as np
import netCDF4 as nc
import copernicusmarine

# 在线访问数据集
DS = copernicusmarine.open_dataset(dataset_id="cmems_mod_glo_phy_my_0.083deg_P1D-m")

# 获取2014-01-01的表层温度数据
subset = DS[['thetao']].sel(time = slice("2014-01-01", "2014-01-01"))
target_depth = 0         # 表层
subset_T = subset.thetao.isel(depth=target_depth)
thetao_depth0 = subset_T.data

# 获取2014-01-02的表层温度数据
subset2 = DS[['thetao']].sel(time = slice("2014-01-02", "2014-01-02"))
subset_T2 = subset2.thetao.isel(depth=target_depth)
thetao_depth0_2 = subset_T2.data

# 两天数据求和
days_sum = thetao_depth0 + thetao_depth0_2
days_sum

遇到的问题 #

我尝试用循环遍历月度所有日期实现累加，但无法完成求和，尝试np.sum也未成功，初始化空数组后不知后续操作，循环代码如下：

day = ['01','02','03','04','05','06','07','08','09','10','11','12','13','14','15','16','17','18','19','20','21','22','23','24','25','26','27','28','29','30','31']
month = ['01']
year = ['2014']

DS = copernicusmarine.open_dataset(dataset_id="cmems_mod_glo_phy_my_0.083deg_P1D-m")

for y in year:
    for m in month:
        for d in day:
            start_date="%s"%y+"-%s"%m+"-%s"%d
            end_date=start_date
            subset_thetao = DS[['thetao']].sel(time = slice(start_date, end_date))
            target_depth = 0 
            subset_depth = subset_thetao.thetao.isel(depth=target_depth)
            thetao_depth0 = subset_depth.data

解决方案 #

方案1：改进循环实现累加 #

核心思路是初始化零数组用于累加，同时跳过无效日期，最后除以有效天数得到均值：

import xarray as xr
import numpy as np
import copernicusmarine
from datetime import datetime

year = '2014'
month = '01'
target_depth = 0

# 在线访问数据集
DS = copernicusmarine.open_dataset(dataset_id="cmems_mod_glo_phy_my_0.083deg_P1D-m")

total_sum = None
valid_days = 0

# 遍历所有可能日期
for day_str in ['01','02','03','04','05','06','07','08','09','10','11','12','13','14','15','16','17','18','19','20','21','22','23','24','25','26','27','28','29','30','31']:
    try:
        # 验证日期合法性
        datetime.strptime(f"{year}-{month}-{day_str}", "%Y-%m-%d")
        date_str = f"{year}-{month}-{day_str}"
        
        # 获取当日表层温度数据
        subset = DS['thetao'].sel(time=slice(date_str, date_str)).isel(depth=target_depth)
        daily_data = subset.data
        
        # 初始化求和数组
        if total_sum is None:
            total_sum = np.zeros_like(daily_data)
        
        # 累加数据
        total_sum += daily_data
        valid_days += 1
    except ValueError:
        # 跳过无效日期
        continue

# 计算月度均值
monthly_mean = total_sum / valid_days
print(monthly_mean)

方案2：使用xarray内置时间聚合（推荐） #

xarray支持直接对时间维度分组聚合，代码更简洁高效，无需手动处理日期：

import xarray as xr
import copernicusmarine

year = '2014'
month = '01'
target_depth = 0

# 在线访问数据集
DS = copernicusmarine.open_dataset(dataset_id="cmems_mod_glo_phy_my_0.083deg_P1D-m")

# 筛选目标年月的表层温度数据
surface_temp = DS['thetao'].sel(time=slice(f"{year}-{month}-01", f"{year}-{month}-31")).isel(depth=target_depth)

# 直接计算月度均值
monthly_mean = surface_temp.groupby('time.month').mean(dim='time')

# 转换为numpy数组（如果需要）
monthly_mean_array = monthly_mean.data
print(monthly_mean_array)

说明：如果需要先求和再计算均值，可替换为：

monthly_sum = surface_temp.sum(dim='time')
monthly_mean = monthly_sum / surface_temp.time.size

内容的提问来源于stack exchange，提问作者Camille