Python支持的库非常多，这当然是它的一大优势，但是也会给我们实际应用中造成点小小的麻烦：每个库对于数据的定义和运算处理都不同，这就使得我们在写代码的时候经常会串掉，比如会一个手滑写成numpy.xarray，又或者是想将两个数组元素相加，却没注意到它们都是list（列表），写成了list1+list2，结果变成了两个列表的合并。。。
或许你会说，那我直接用一个库，比如就用numpy不就好了。但是我们在实际处理气象上常见的nc数据时，还是离不开xarray、pandas、netCDF4，这些常用库的。由于我自己也总是记混，经常debug到写过格式的情况，这里就索性把它们都写下来做一个备忘吧~
1、numpy库
importnumpyasnpa=[1,2,3]#创建数组b=np.array(a)#将a转为array格式c=np.ones([3,5],dtype=np.int)#创建数值为1的，维度为3×5的整形数组d=np.zeros([3,5],dtype=np.int)#创建数值为0的，维度为3×5的整形数e=np.full([3,5],5,dtype=np.int)#创建数值为5（该数值为人工指定）的，维度为3×5的整形f=np.eye(5)#创建维度为5的方阵g=np.random.rand(5,6,7)#创建shape为（5,6,7）的数组，数值范围在0-1之间的随机数h=np.random.uniform(0,,size=(5,6))#创建shape为（5,6）的数组，数值范围在0-之间的随机数i=np.random.randint(0,,size=(5,6))#创建shape为（5,6）的整形数组，数值范围在0-之间的随机整数j=np.arange(5,,10)#创建一个从5开始，间隔为10，结束于小于的等差数列k=np.linspace(5,,50)#创建50个在闭区间[5,]内均匀分布的值k2=np.expand_dims(c,axis=0)#在数组k的最左侧增加一个维度k3=np.expand_dims(c,axis=-1)#在数组k的最右侧增加一个维度k4=np.expand_dims(c,axis=2)#在数组k的index=2处增加一个维度k5=k%3#求除以3的余数np.sort(array_name)#数组整体排序np.sort(array_name,axis=0)#数组仅对行排序np.sort(array_name,axis=1)#数组仅对列排序l=c[:2,2:4].copy()#数组索引后复制。也可写作np.copy()np.unique(array_name)#提取唯一元素array_name.T#数组转置array_name.reshape(3,2,2)#改变数组形状，新shape的各维度相乘应与旧的相等，不想算的可以用-1表示array_name.resize(3,2,2)#改变数组形状，新shape的各维度相乘可以不与旧的相等，不足的补0np.where(condition,x,y)#条件运算，数组中符合条件condition的更改为数值x，不符合的改为yresult=np.amax(array_name,axis=0)#求矩阵中每一列的最大值。axis=1表示按照行来求。整个矩阵求最大值的话，不用谢axis参数np.amin(array_name)#求矩阵最小值。参数含义同np.amaxnp.mean(array_name,dtype=np.int)#求矩阵平均值。参数含义同np.amaxnp.std(array_name)#求矩阵方差。参数含义同np.amaxresult=np.vstack(v1,v2)#两个列数相同的矩阵v1和v2的拼接result=np.hstack(v1,v2)#两个行数相同的矩阵v1和v2的拼接result=np.append(array_name,[0,2])#末尾添加元素result=np.append(array_name,[[0,2,11]],axis=0)#最后一行添加一行result=np.append(array_name,[[0],[2],[11]],axis=1)#最后一列添加一列（注意添加元素格式）result=np.insert(array_name,1,[[11,12,10]],axis=0)#在索引位置为1的位置插入一行result=np.insert(array_name,1,[[11,12,10]],axis=1)##在索引位置为1的位置插入一列np.load(fname,dtype,