使用np.polyfit处理Xarray数据集时遇cftime.DatetimeNoLeap问题

错误原因很明确：你用的cftime._cftime.DatetimeNoLeap是CMIP6数据常用的自定义时间类型，numpy的polyfit无法直接对这类时间对象进行数值运算（比如报错里的浮点数加法操作）。而matplotlib能正常绘图是因为它内部做了时间格式的适配转换，不需要手动处理。

下面提供两种可行的解决方案：

方案1：手动将时间转换为数值格式 #

把cftime对象转换成从起始时间开始的年数/天数等数值，再用于拟合：

import numpy as np
import matplotlib.pyplot as plt
import xarray as xr

dataset = xr.load_dataset("file.nc")
airTemp = dataset['tas']
nome_temperature = airTemp.sel(lat=64.5006, lon=194.5914, method='nearest')

# 绘制原始时间序列
plt.plot(nome_temperature.time, nome_temperature.values, label='原始气温')

# 核心步骤：将cftime转换为以年为单位的浮点数
start_time = nome_temperature.time[0].values
# 计算时间差并转换为年数
time_num = (nome_temperature.time - start_time).astype("timedelta64[Y]").astype(float)

# 用数值时间做多项式拟合
z = np.polyfit(time_num, nome_temperature.values, 1)
p = np.poly1d(z)

# 绘制趋势线，坐标轴仍用原始时间
plt.plot(nome_temperature.time, p(time_num), 
         label=f'趋势线: 斜率={z[0]:.4f} K/年', 
         linestyle='--')

plt.legend()
plt.xlabel('时间')
plt.ylabel('气温 (K)')
plt.show()

方案2：使用Xarray内置的polyfit方法（更简洁） #

Xarray针对时间序列提供了内置的多项式拟合工具，会自动处理时间格式的转换，无需手动操作：

import numpy as np
import matplotlib.pyplot as plt
import xarray as xr

dataset = xr.load_dataset("file.nc")
airTemp = dataset['tas']
nome_temperature = airTemp.sel(lat=64.5006, lon=194.5914, method='nearest')

# 绘制原始时间序列
plt.plot(nome_temperature.time, nome_temperature.values, label='原始气温')

# 用Xarray内置方法拟合趋势线
fit_results = nome_temperature.polyfit(dim='time', deg=1)
trend_line = xr.polyval(nome_temperature.time, fit_results.polyfit_coefficients)

# 绘制趋势线
plt.plot(nome_temperature.time, trend_line, 
         label='趋势线', 
         linestyle='--')

plt.legend()
plt.xlabel('时间')
plt.ylabel('气温 (K)')
plt.show()

补充说明 #

• 方案1的优势是灵活性高，可以自定义时间数值的单位（比如换成天数timedelta64[D]）；
• 方案2更贴合Xarray的数据流，代码更简洁，适合常规的趋势分析需求。

内容的提问来源于stack exchange，提问作者wtjh99