如何在xarray处理.nc文件时使用NetCDF4的num2date函数？

改用xarray替代NetCDF4编写代码时，导入.nc文件后time变量没有可传入num2date函数的units和calendar属性，手动指定也无法生效，求解决办法。

原NetCDF4代码如下：

ncfile = netCDF4.MFDataset('cmems_*.nc', 'r', format='NETCDF4') 
time = ncfile.variables['time']
time_converted = netCDF4.num2date(time[:], time.units, time.calendar) ###year, month, day

hist_start=datetime.datetime(1993,1,1)
hist_end=datetime.datetime(1996,12,31)

lat = ncfile.variables['latitude'][:]
lon = ncfile.variables['longitude'][:]

ta_his = ncfile.variables['thetao'][:,:,:]

date_start = netCDF4.date2num(hist_start, time.units, time.calendar)
date_end = netCDF4.date2num(hist_end, time.units, time.calendar)

time_indices = np.array([(t.month in months)&(t.year in range(hist_start.year, hist_end.year+1)) for t in time_converted])

xarray本身会自动解析NetCDF文件的时间元数据，完全不需要依赖NetCDF4的num2date这类工具函数，用xarray原生方法就能替代原代码逻辑，具体实现如下：

1. 导入文件并自动解析时间 #

用xarray.open_mfdataset批量导入文件，xarray会自动识别time变量的units和calendar属性，直接转成datetime类型数组：

import xarray as xr
import datetime as dt
import numpy as np

# 批量导入NC文件，自动处理时间解析
ds = xr.open_mfdataset('cmems_*.nc', engine='netcdf4')

2. 获取维度变量和数据 #

直接从数据集里提取经纬度和变量，不用像NetCDF4那样手动读取变量对象：

lat = ds.latitude.values
lon = ds.longitude.values
ta_his = ds.thetao.values

3. 时间筛选与索引获取 #

xarray的时间变量支持直接用datetime对象或字符串筛选，也能直接调用时间属性（年、月）做判断，完美替代原代码的time_indices逻辑：

hist_start = dt.datetime(1993, 1, 1)
hist_end = dt.datetime(1996, 12, 31)

# 方法1：直接筛选时间范围内的数据，自动得到对应子集
ds_his = ds.sel(time=slice(hist_start, hist_end))

# 如果需要原代码中的布尔索引数组
time_indices = (ds.time >= hist_start) & (ds.time <= hist_end)

# 要是还要筛选特定月份（比如months是你定义的列表，比如[1,2,3]）
months = [1,2,3]
time_indices = time_indices & ds.time.dt.month.isin(months)

4. 手动获取/指定units和calendar（如果必要） #

如果确实需要查看或修改时间的units和calendar，可以通过变量的encoding属性操作——这是xarray存储NetCDF元信息的地方：

# 获取原文件的units和calendar
time_units = ds.time.encoding['units']
time_calendar = ds.time.encoding.get('calendar', 'gregorian')  # 没指定默认用公历

# 手动指定元信息后，重新解码时间变量（比如文件元信息缺失时）
ds.time.encoding['units'] = 'hours since 1990-01-01'
ds.time.encoding['calendar'] = '360_day'
ds = xr.decode_cf(ds)  # 重新解析时间

核心提示 #

xarray的设计初衷就是简化NetCDF数据的处理，自动管理元数据是它的核心优势，尽量别再混用NetCDF4的底层函数，用xarray原生的索引、筛选方法更简洁可靠。

内容的提问来源于stack exchange，提问作者Francisco