基于xarray.DataArrays统计非洲格点的显著正负相关模型数量

核心思路 #

先将多组相关系数、p值数据合并为带模型维度的统一数据集，再通过布尔条件筛选显著相关的格点，最后沿模型维度统计数量。

具体步骤与代码 #

1. 合并数据集
   将三个相关系数数组和对应的p值数组分别合并，新增model维度区分不同模型：

import xarray as xr

# 合并相关系数，添加model维度
combined_corr = xr.concat([ds1, ds2, ds3], dim="model")
# 合并p值，保持相同的model维度
combined_p = xr.concat([ds1_p, ds2_p, ds3_p], dim="model")

# 可选：给model维度添加明确标识（方便后续溯源）
combined_corr = combined_corr.assign_coords(model=["model_1", "model_2", "model_3"])
combined_p = combined_p.assign_coords(model=["model_1", "model_2", "model_3"])

2. 统计显著正相关模型数量
   筛选出相关系数>0且p值<0.05的格点，沿model维度求和得到每个格点的显著正相关模型数：

sig_pos_count = ((combined_corr > 0) & (combined_p < 0.05)).sum(dim="model")

3. 统计显著负相关模型数量
   同理，筛选相关系数<0且p值<0.05的格点并求和：

sig_neg_count = ((combined_corr < 0) & (combined_p < 0.05)).sum(dim="model")

注意事项 #

• 确保三个原始数据集的空间维度（如lat、lon）完全匹配，若存在维度不一致，可先使用xr.align(ds1, ds2, ds3, join="inner")对齐后再合并。
• 最终得到的sig_pos_count和sig_neg_count均为与原始格点维度一致的DataArray，每个格点的值代表对应显著相关的模型数量（范围0-3）。

内容的提问来源于stack exchange，提问作者Jessica