我有一个 netcdf 文件，其中的数据是 lon、lat 和 time 的函数。我想计算时间维度上每个网格单元格中缺失条目的总数，最好使用 CDO 或 NCO，因此我不需要调用 R、python 等。
我知道如何获取缺失值的总数
ncap2 -s "nmiss=var.number_miss()" in.nc out.nc
当我回答这个相关问题时： count number of missing values in netcdf file - R
CDO 可以用
告诉我空间的总和cdo info in.nc
但我不知道如何随着时间的推移求和。有没有办法例如在 ncap2 中指定要与 number_miss 相加的维度？
【问题讨论】：
标签： bash missing-data netcdf nco cdo-climate
从 NCO 4.6.7（2017 年 5 月）开始，我们将 missing() 函数添加到 ncap2 以优雅地解决这个问题。通过时间计算缺失值：
ncap2 -s 'mss_val=three_dmn_var_dbl.missing().ttl($time)' in.nc out.nc
这里 ncap2 将两个方法链接在一起，missing()，然后是时间维度上的总和。二维变量 mss_val 在 out.nc 中。下面的响应是相同的，但在空间上取平均值并通过时间报告（因为我误解了 OP）。
旧的/过时的答案：
使用 NCO/ncap2 有两种方法可以做到这一点，尽管它们都不像我想要的那样优雅。通过一次调用一条记录调用 num_miss() 来调用一次一条记录的答案，或者（我的偏好）使用布尔比较函数，然后沿选择的轴使用总运算符：
zender@aerosol:~$ ncap2 -O -s 'tmp=three_dmn_var_dbl;mss_val=tmp.get_miss();tmp.delete_miss();tmp_bool=(tmp==mss_val);tmp_bool_ttl=tmp_bool.ttl($lon,$lat);print(tmp_bool_ttl);' ~/nco/data/in.nc ~/foo.nc
tmp_bool_ttl[0]=0
tmp_bool_ttl[1]=0
tmp_bool_ttl[2]=0
tmp_bool_ttl[3]=8
tmp_bool_ttl[4]=0
tmp_bool_ttl[5]=0
tmp_bool_ttl[6]=0
tmp_bool_ttl[7]=1
tmp_bool_ttl[8]=0
tmp_bool_ttl[9]=2
或
zender@aerosol:~$ ncap2 -O -s 'for(rec=0;rec<time.size();rec++){nmiss=three_dmn_var_int(rec,:,:).number_miss();print(nmiss);}' ~/nco/data/in.nc ~/foo.nc
nmiss = 0
nmiss = 0
nmiss = 8
nmiss = 0
nmiss = 0
nmiss = 1
nmiss = 0
nmiss = 2
nmiss = 1
nmiss = 2
【讨论】：
即使您要求另一种解决方案，我也想向您展示在 Python 的帮助下只需很短的一行即可找到答案。变量m_data 与使用netCDF4 包读取的具有缺失值的变量具有完全相同的形状。只需执行一个指定正确轴的np.sum 命令，您就有答案了。
import numpy as np
import matplotlib.pyplot as plt
import netCDF4 as nc4
# Generate random data for this experiment.
data = np.random.rand(365, 64, 128)
# Masked data, this is how the data is read from NetCDF by the netCDF4 package.
# For this example, I mask all values less than 0.1.
m_data = np.ma.masked_array(data, mask=data<0.1)
# It only takes one operation to find the answer.
n_values_missing = np.sum(m_data.mask, axis=0)
# Just a plot of the result.
plt.figure()
plt.pcolormesh(n_values_missing)
plt.colorbar()
plt.xlabel('lon')
plt.ylabel('lat')
plt.show()
# Save a netCDF file of the results.
f = nc4.Dataset('test.nc', 'w', format='NETCDF4')
f.createDimension('lon', 128)
f.createDimension('lat', 64 )
n_values_missing_nc = f.createVariable('n_values_missing', 'i4', ('lat', 'lon'))
n_values_missing_nc[:,:] = n_values_missing[:,:]
f.close()
【讨论】：