如何用xarray获取netCDF逐日数据年最大值对应的所属季节（含跨年冬季）

核心思路 #

首先通过resample + idxmax获取每年最大值对应的准确日期，再通过自定义映射规则对日期做季节归属处理，针对12月冬季归属下一年的需求做特殊逻辑调整，完全解决跨年度识别问题。

前置要求 #

首先确认数据集的time维度已经被解析为datetime格式，若未解析先执行转换：

import xarray as xr
import numpy as np
import pandas as pd

# 转换time坐标为datetime类型
da['time'] = pd.to_datetime(da['time'].values)

步骤1：提取每年最大值对应的日期 #

按自然年（每年1月1日为起始）重采样，用idxmax获取每年最大值对应的日期坐标：

# AS-JAN表示以1月为起始的年频率，可根据需求替换为其他年周期，比如水文年用AS-JUL
annual_max_date = da.resample(time='AS-JAN').idxmax(dim='time')

步骤2：处理跨年度冬季的季节映射 #

小数据量方案：自定义函数灵活适配 #

自定义映射函数，支持自定义季节划分规则，适配跨年度冬季归属需求：

def get_season_label(date):
    if pd.isna(date):
        return np.nan
    year = date.year
    month = date.month
    # 季节划分规则可根据需求修改，以下为北半球常规气象季节划分
    if month in [12, 1, 2]:
        season = 'DJF'
        # 12月归属到下一年的冬季
        season_year = year + 1 if month == 12 else year
    elif month in [3, 4, 5]:
        season = 'MAM'
        season_year = year
    elif month in [6, 7, 8]:
        season = 'JJA'
        season_year = year
    else: # 9-11月秋季
        season = 'SON'
        season_year = year
    # 若不需要年份标识仅返回season即可
    return f"{season_year}_{season}"

# 向量化应用函数到所有年份的最大值日期
annual_max_season = xr.apply_ufunc(
    np.vectorize(get_season_label),
    annual_max_date,
    vectorize=False,
    output_dtypes=['U10']
)

大数据量方案：原生向量化操作性能更高 #

如果处理的数据集维度高、数据量大，可使用xarray原生操作替代自定义函数，运行效率提升明显：

month = annual_max_date.dt.month
year = annual_max_date.dt.year
# 批量生成季节标识
season = xr.where(month.isin([12,1,2]), 'DJF',
         xr.where(month.isin([3,4,5]), 'MAM',
         xr.where(month.isin([6,7,8]), 'JJA', 'SON')))
# 调整冬季所属年份
season_year = xr.where(month == 12, year + 1, year)
# 拼接得到最终标签
annual_max_season = season_year.astype(str) + '_' + season

结果说明 #

得到的annual_max_season为和年维度对齐的DataArray，每个元素为对应年最大值的季节标签，比如2024_DJF代表该年最大值出现在2023年12月或2024年1-2月，属于2024年冬季，完美解决跨年度识别问题。

• 若使用南半球季节划分，仅需调整月份和季节的对应关系即可
• 若无需区分冬季所属年份，删除season_year相关逻辑直接返回季节名即可
• 若年统计周期为水文年、作物年等特殊周期，仅需修改resample的频率参数即可

内容的提问来源于stack exchange，提问作者shen159876