如何用Pandas计算日数据的气候态距平并实现反归一化？

一、计算气候态距平 #

要实现每个时间戳对应DOY均值的匹配并计算距平，利用Pandas的map方法即可快速关联DOY与均值，步骤如下：

1. 计算各年积日（DOY）的气候态均值：

# 按DOY分组计算sig列的均值，得到每个DOY的气候态基准
doy_mean = gpi_data.groupby(gpi_data.index.dayofyear)['sig'].mean()

2. 为原始数据匹配对应DOY的均值并计算距平：

# 利用时间索引的dayofyear属性，映射到对应的DOY均值
gpi_data['doy_mean'] = gpi_data.index.dayofyear.map(doy_mean)

# 计算距平：原始值减去对应DOY的气候态均值
gpi_data['sig_anomaly'] = gpi_data['sig'] - gpi_data['doy_mean']

比如2007-01-02的DOY是2，会自动匹配到doy_mean中值为-8.693721的条目，计算出距平为-8.963545 - (-8.693721)。

二、预测距平的反归一化 #

如果有模型输出的距平数据gpi_data_predicted，将其与对应DOY的气候态均值相加，即可还原为原始尺度的预测值：

1. 为预测数据匹配对应DOY的均值：

# 同样通过时间索引的dayofyear映射气候态均值
gpi_data_predicted['doy_mean'] = gpi_data_predicted.index.dayofyear.map(doy_mean)

2. 反归一化计算最终预测值：

# 距平值加上气候态均值，得到原始尺度的预测结果
gpi_data_predicted['sig_predicted'] = gpi_data_predicted['anomaly_predicted'] + gpi_data_predicted['doy_mean']

注：如果预测数据没有时间索引，而是直接存储了DOY列，只需将index.dayofyear替换为['doy']即可完成映射。

内容的提问来源于stack exchange，提问作者Xu Shan