Python计算不同季节SIC趋势时索引错误问题求助

我正在使用Python计算1979年至2009年不同季节的海冰密集度（SIC）趋势，需要从形状为(372, 180, 360)的月度数据中提取各季节数据（372对应31年×12个月）。我尝试通过提取每年各月度数据，再将三个月组合为同一季节数组，但运行代码时出现了索引错误。

我的代码： #

print sic.shape  # 输出(372, 180, 360)
sics=sic[90,:,:]
sicm=[]
for i in range(0,12):
    sicj=sic[i::12,:,:]
    sicm.append(sicj)
del sicj
sics[0::3,:,:]=sicm[11][:30,:,:]
sics[1::3,:,:]=sicm[0][1:,:,:]
sics[2::3,:,:]=sicm[1][1:,:,:]

错误信息： #

IndexErrorTraceback (most recent call last)
in ()
----> 1 sics[0::3,:,:]=sicm[11][:30,:,:]
/home/charcoalp/anaconda2/envs/pyn_test/lib/python2.7/site-packages/numpy/ma/core.pyc in setitem(self, indx, value)
3299 _mask = self._mask
3300 # Set the data, then the mask
-> 3301 _data[indx] = dval
3302 _mask[indx] = mval
3303 elif hasattr(indx, 'dtype') and (indx.dtype == MaskType):
IndexError: too many indices for array

问题分析 #

你遇到的核心问题是数组维度不匹配：

• 代码中sics = sic[90,:,:]提取的是单个时间步的二维数组（形状(180, 360)），但后续你试图给它赋值三维数组切片（比如sicm[11][:30,:,:]的形状是(30, 180, 360)）。二维数组无法接受三维的索引操作，因此触发了too many indices for array错误。

你的整体思路（先按月份分组年度数据，再组合成季节数组）是完全可行的，只是初始化季节数组的方式出错了。

修正方案 #

我们需要创建一个合适维度的数组来存储季节数据，以下是具体实现（以常见的北极海冰研究季节划分为例）：

步骤1：明确季节定义

• 冬季：前一年12月 + 当年1月、2月
• 春季：3、4、5月
• 夏季：6、7、8月
• 秋季：9、10、11月

步骤2：修正后的代码

import numpy as np

# 假设sic是你的原始数据，形状(372, 180, 360)
print(sic.shape)  # 输出(372, 180, 360)

# 按月份分组，每个元素对应该月的所有年度数据，形状(31, 180, 360)
sicm = []
for i in range(12):
    sicj = sic[i::12, :, :]
    sicm.append(sicj)

# ----------------------
# 1. 处理冬季数据（共30个冬季：1979冬 ~ 2008冬）
# 冬季 = 前一年12月 + 当年1月 + 当年2月
winter_sic = np.stack([
    sicm[11][:-1],  # 1979-2008年的12月（共30个）
    sicm[0][1:],    # 1980-2009年的1月（共30个）
    sicm[1][1:]     # 1980-2009年的2月（共30个）
], axis=1)  # 形状：(30, 3, 180, 360) → (季节数, 季节内月份数, 纬度, 经度)

# 计算冬季平均SIC（可选）
winter_mean = np.mean(winter_sic, axis=1)  # 形状：(30, 180, 360)

# ----------------------
# 2. 处理春季数据（共31个春季：1979春 ~ 2009春）
spring_sic = np.stack([sicm[2], sicm[3], sicm[4]], axis=1)  # 形状：(31, 3, 180, 360)
spring_mean = np.mean(spring_sic, axis=1)

# ----------------------
# 3. 处理夏季数据
summer_sic = np.stack([sicm[5], sicm[6], sicm[7]], axis=1)
summer_mean = np.mean(summer_sic, axis=1)

# ----------------------
# 4. 处理秋季数据
autumn_sic = np.stack([sicm[8], sicm[9], sicm[10]], axis=1)
autumn_mean = np.mean(autumn_sic, axis=1)

关键说明 #

• 使用np.stack可以将多个同维度的数组按指定轴组合，轻松构建包含季节内月份的四维数组。
• 如果不需要保留季节内的月份维度，直接对axis=1求平均即可得到每个季节的平均SIC数据。
• 冬季的年份范围需要特殊处理，因为数据从1979年1月开始，所以第一个冬季对应1979年12月+1980年1-2月，最终得到30个冬季数据；而春/夏/秋可以直接取全部31年的数据。

内容的提问来源于stack exchange，提问作者Yuhang Pan