R语言使用aggregate计算SST均值时遇‘NO ROWS IN AGGREGATE’错误求助

你遇到的NO ROWS IN AGGREGATE错误，核心原因是数据整理逻辑完全错误：

• 误用expand.grid(suhu)将SST数组展开为笛卡尔积，破坏了时间与SST值的对应关系；
• 强行统一向量长度时填充了大量NA，最终过滤NA后没有有效配对的时间与SST数据，导致aggregate无数据可处理。

NetCDF格式的SST数据通常是三维（经度、纬度、时间）或二维（时间、站点）结构，不能用expand.grid粗暴展开，必须保证每个时间点对应正确的SST观测值。

1. 加载包并查看数据结构 #

先确认NetCDF文件的维度信息，避免维度顺序错误：

library(ncdf4)
library(lubridate)
library(tidyr)
library(dplyr)

setwd("D:/Data analysis/SST_fg")
nc_fname <- "METOFFICE-GLO-SST-L4-REP-OBS-SST_1679654370682.nc"
nc_ds <- nc_open(nc_fname)

# 打印文件结构，确认维度顺序（比如是lon/lat/time 还是 time/lat/lon）
print(nc_ds)

2. 正确转换时间 #

简化时间转换逻辑，避免手动拆分字符串：

dim_time <- ncvar_get(nc_ds, "time")
t_units <- ncatt_get(nc_ds, "time", "units")
# 自动解析时间基准并计算实际日期
date <- parse_date_time(t_units$value, orders = "YmdHMS", tz = "UTC") + dseconds(dim_time)

3. 整理SST数据为规范数据框 #

情况1：格点数据（三维：lon/lat/time）

将三维数组转换为长格式，保证时间、经纬度、SST值一一对应：

# 提取经纬度和SST数据
lon <- ncvar_get(nc_ds, "lon")
lat <- ncvar_get(nc_ds, "lat")
suhu <- ncvar_get(nc_ds, "analysed_sst") - 273.15  # 转摄氏度

# 生成所有时间-经纬度组合，匹配对应SST值
nc_df <- expand.grid(lon = lon, lat = lat, date = date) %>%
  mutate(sst = as.vector(suhu)) %>%  # 数组转向量，顺序与expand.grid对应
  filter(!is.na(sst))  # 过滤缺失值

情况2：单点/站点数据（二维：time/站点）

如果是单点位或站点序列数据，直接匹配时间与SST：

suhu <- ncvar_get(nc_ds, "analysed_sst") - 273.15
nc_df <- data.frame(date = date, sst = as.vector(suhu)) %>%
  filter(!is.na(sst))

4. 计算月平均与年平均 #

用dplyr（更直观）

# 月平均
monthly_mean <- nc_df %>%
  mutate(year_month = format(date, "%Y-%m")) %>%
  group_by(year_month) %>%
  summarise(mean_sst = mean(sst, na.rm = TRUE))

# 年平均
annual_mean <- nc_df %>%
  mutate(year = year(date)) %>%
  group_by(year) %>%
  summarise(mean_sst = mean(sst, na.rm = TRUE))

用base R的aggregate

# 月平均
monthly_mean <- aggregate(
  sst ~ format(date, "%Y-%m"),
  data = nc_df,
  FUN = mean,
  na.rm = TRUE
)
colnames(monthly_mean) <- c("year_month", "mean_sst")

# 年平均
annual_mean <- aggregate(
  sst ~ year(date),
  data = nc_df,
  FUN = mean,
  na.rm = TRUE
)
colnames(annual_mean) <- c("year", "mean_sst")

1. 维度顺序匹配：转向量时必须保证as.vector(suhu)的顺序与expand.grid生成的时间-经纬度组合顺序一致，否则会出现数据错位；
2. 避免强行修改向量长度：手动扩展向量长度会填充大量无效NA，破坏数据有效性；
3. 先过滤缺失值：在整理数据框时提前过滤NA，避免后续聚合操作无有效数据。

内容的提问来源于stack exchange，提问作者Fitra