python气象绘图windrose

#导入包

import numpy as np

import pandas as pd

from matplotlib import pyplot as plt

from matplotlib.ticker import FuncFormatter

import matplotlib as mpl

mpl.rcParams['font.sans-serif'] = ['SimHei']  #设置简黑字体

mpl.rcParams['axes.unicode_minus'] = False  #设置负号正常显示

#----获取数据DataFrames，index*columns。index表示不同值范围，columns表示十六个风向

data = pd.DataFrame(wind_d_max_num_per,

                    index=['<15', '15~25', '25~35', '35~45',"≥45"],

                    columns='N NNE NE ENE E ESE SE SSE S SSW SW WSW W WNW NW NNW'.split())

N = 16 # 风速分布为16个方向

theta = np.linspace(0, 2*np.pi, N, endpoint=False) # 获取16个方向的角度值

width = np.pi / 4 * 0.4  # 绘制扇型的宽度，可以自行调整0.5时是360，充满，有间隔的话小于0.5即可

labels = list(data.columns) # 自定义坐标标签为 N ， NSN， ……# 开始绘图

plt.figure(figsize=(6,6),dpi=600)

ax = plt.subplot(111, projection='polar')

#----自定义颜色

mycolor =['cornflowerblue','orange','mediumseagreen','lightcoral','cyan']

#----循环画风玫瑰图

i=0

for idx in data.index:

    print(idx)

    # 每一行绘制一个扇形

    radii = data.loc[idx] # 每一行数据

    if i == 0:

        ax.bar(theta, radii, width=width, bottom=0.0, label=idx, tick_label=labels,

          color=mycolor[i])

    else:

        ax.bar(theta, radii, width=width, bottom=np.sum(data.loc[data.index[0:i]]), label=idx, tick_label=labels,

          color=mycolor[i])

    i=i+1

#此种画法，注意bottom设置，第一个bottom为0，后续bottom需要在前一个基础上增加。

ax.set_xticks(theta)

ax.set_xticklabels(labels,fontdict={'weight':'bold','size':15,'color':'k'})

ax.set_theta_zero_location('N') #设置零度方向北

ax.set_theta_direction(-1)    # 逆时针方向绘图

#----设置y坐标轴以百分数显示

plt.gca().yaxis.set_major_formatter(FuncFormatter(lambda s, position: '{:.0f}%'.format(100*s)))

plt.legend(loc=4, bbox_to_anchor=(0.05, -0.25),fontsize=12) # 将label显示出来， 并调整位置

#----保存图片

plt.savefig("./windrose1.svg")

寒潮是笔者主要的研究方向，寒潮路径作为寒潮重要的特征，是寒潮预报的重点之一，同样的道理也适用在台风研究以及降水的水汽来源研究中。关于路径的计算以及获取方法(比如轨迹倒推，模型追踪等等方法，台风有自己现成的数据集，比如ibtracs数据集等等)并不在本文的介绍范围之内，本文主要介绍在获取了相应的路径坐标后，如何在图中美观的展现。

上图展现了近40年东北亚区域的冬季冷空气活动路径，绘制这类图需要的数据只需为每条路径的N个三维坐标点，第一第二维分别为longitude和latitudee，第三维则比较随意，根据需要选择，比如说需要体现高度，那就用高度坐标，需要体现冷空气强度，那就用温度数据，水汽可以用相对湿度，台风也可以用速度等等。

通常此类数据是由.txt(.csv)等格式存储的，读取和处理方法可参考我的“Python气象数据处理与绘图(1)：数据读取”，本文主要介绍绘图部分。

当然根据需要，也可以直接绘制两维的轨迹，即取消掉颜色数组，用最简单的plot语句，循环绘制即可。

有一个陷阱需要大家注意的是，当轨迹跨越了东西半球时，即穿越了0°或者360°经线时，它的连接方式是反向绕一圈，比如下图所示，你想要蓝色的轨迹，然而很有可能得到绿色的，这是因为你的网格数组的边界是断点，系统不会自动识别最短路径，只会在数组中直接想连，因为这不是循环数组。

我目前的解决办法是这样的：如果你的数据是0°-360°格式，那么变为-180°-180°的格式，反之相互转换。但是如果你的数据两种都出现了断点，也就是绕了地球一圈多，那无论怎样都么得办法了，我目前的思路是将数据转换成极坐标数据格式，理论上是可行的，CARTOPY的绘图也是支持极坐标数据的，具体实施还需要再试试。

---