NumPy 是python 语言的一个第三方库，其支持大量高维度数组与矩阵运算。此外，NumPy 也针对数组运算提供大量的数学函数。
#导入Numpy库，并命名为np
import numpy as np
#创建一维数组
a = np.array([1, 2, 3])
# NumPy可以很方便地创建连续数组，比如我使用arange或linspace函数进行创建：
b = np.arange(1,5,1) // 返回一个有终点和起点、固定步长的排列，如起点是1，终点是4，步长为1，即【1,2,3,4】，
c = np.linspace(1,9,5) 返回一个有终点和起点、元素个数的的排列，如起点是1，终点是9，元素个数为5,即【1,3,5,7,9】
#通过NumPy可以自由地创建等差数组，同时也可以进行加、减、乘、除、求n次方和取余数。
求和：np.sum(a)
求取平均值：np.mean(a)
求取中位数：np.median(a)
求取加权平均数：np.average(a)
求取方差：var() np.var(a)
求取最小值：np.amin(a)
求取最大值：np.amax(a)
将两个数相加：np.add(x1, x2)
将两个数相减：np.subtract(x1, x2)
将两个数相乘：np.multiply(x1, x2)
将两个数相除：np.divide(x1, x2)
立方：np.power(x1, x2)
除余：np.remainder(x1, x2)
相关系数计算：np.corrcoef(a1, a2) (a1、a2都是矩阵)
Python中将算式称为表达式。数学上算式是用数学语言、数学符号来表达某种关系、某种运算、某种性质的，同样的，在Python中，表达式也是用运算符将各种数据类型的数据连接起来。
数据的类型在前面已经介绍过了，下面介绍一些最常用到的运算符。
6.1算术运算
算术运算符是用于处理四则运算的运算符，常用的算术运算符如下表所示。
算术表达式就是用算术运算符将各种类型的数据连接起来，算术运算的规则和数学中一致。除了数学中用到的四则运算符“ 、-、*、/ ”外，要特别注意“取模(%)”、“幂(**)”、“整除(//)”的用法。
6.2给变量赋值
最常用的赋值运算符是“=”，“a=b”的意思就是将值b赋值给变量a。
Python中还一些带有运算功能的赋值方法，含义为“先计算，后赋值”如：
以下假设变量：a=10，b=20
“+=”，读作“加赋值”，如a+=b，相当于a=a+b, 则a被赋值为30；
“-=”，读作“减赋值”，如a-=b，相当于a=a-b, 则a被赋值为-10；
“*=”，读作“乘赋值”，如a*=b，相当于a=a*b, a被赋值为200；
“/=”，读作“除赋值”，如a/=b，相当于a=a/b, a被赋值为0.5；
“%=”，读作“取余数赋值”，如a%=b，相当于a=a%b, a被赋值为10；
“**=”，读作“幂赋值”，如a**=b，相当于a=a**b, a被赋值为100000000000000000000；
“//=”，读作“取整数赋值”，如a//=b，相当于a=a//b, a被赋值为0；
6.3关系运算
关系运算符，也叫比较运算符，用于比较两个变量或表达式运算结果之间的大小关系。关系表达式是用关系运算符将变量或表达式连接起来的表达式，其运算结果为一个布尔值，即True或False。
Python3.0的关系运算符有：“大于>”、“小于=”、“小于或等于<=”。
还有一个特殊的关系运算符“值1变量值2”，如：
>>>a=10
>>>b=20
>>>c=15
>>>print(a<b<c) p=""></b<c)>
False
>>>print(a<c<b) p=""></c<b)>
True
6.4逻辑运算
逻辑运算符包括“逻辑与and”、“逻辑或or”、“逻辑非not”，具体用法见下表。
以下假设变量 a 为 10, b为 20:
在上表中，变量a和变量b都是非0的数，被当做值为True的变量参与逻辑运算。
对于气象绘图来讲，第一步是对数据的处理，通过各类公式，或者统计方法将原始数据处理为目标数据。按照气象统计课程的内容，我给出了一些常用到的统计方法的对应函数：
在计算气候态，区域平均时均要使用到求均值函数，对应NCL中的dim_average函数，在python中通常使用np.mean()函数
numpy.mean(a, axis, dtype)
假设a为[time,lat,lon]的数据，那么
需要特别注意的是，气象数据中常有缺测，在NCL中，使用求均值函数会自动略过，而在python中，当任意一数与缺测(np.nan)计算的结果均为np.nan，比如求[1,2,3,4，np.nan]的平均值，结果为np.nan
因此，当数据存在缺测数据时，通常使用np.nanmean()函数，用法同上，此时[1,2,3,4，np.nan]的平均值为(1+2+3+4)/4 = 2.5
同样的，求某数组最大最小值时也有np.nanmax(), np.nanmin()函数来补充np.max(), np.min()的不足。
其他很多np的计算函数也可以通过在前边加‘nan’来使用。
另外，
也可以直接将a中缺失值全部填充为0。
np.std(a, axis, dtype)
用法同np.mean()
在NCL中有直接求数据标准化的函数dim_standardize()
其实也就是一行的事，根据需要指定维度即可。
皮尔逊相关系数：
相关可以说是气象科研中最常用的方法之一了，numpy函数中的np.corrcoef(x, y)就可以实现相关计算。但是在这里我推荐scipy.stats中的函数来计算相关系数：
这个函数缺点和有点都很明显，优点是可以直接返回相关系数R及其P值，这避免了我们进一步计算置信度。而缺点则是该函数只支持两个一维数组的计算，也就是说当我们需要计算一个场和一个序列的相关时，我们需要循环来实现。
其中a[time,lat,lon]，b[time]
(NCL中为regcoef()函数)
同样推荐Scipy库中的stats.linregress(x,y)函数：
slop: 回归斜率
intercept：回归截距
r_value： 相关系数
p_value： P值
std_err： 估计标准误差
直接可以输出P值，同样省去了做置信度检验的过程，遗憾的是仍需同相关系数一样循环计算。
