现有1年的小时降水量数据，将20mm及以上定义为短时强降水事件，利用pandas对小时降水量进行分类，并分别对应不同的级别范围（例如20-50mm，50-80mm，80-100mm，以及100mm以上），并统计出每月的强降水次数和出现的时间，在这个时间基础上筛选对应的雷达基数据。

首先，你需要使用Python的Pandas库来处理这个问题。以下是基本步骤：

1. **数据加载**：
使用`pd.read_csv()`或`read_excel()`等函数读取含有小时降水量的数据文件，假设文件名为`precipitation_data.csv`。

import pandas as pd
data = pd.read_csv('precipitation_data.csv')

2. **数据清洗**：
检查数据是否有缺失值，如果有，可以使用`dropna()`或填充方法处理。

3. **创建分类列**：
新建一个列，如`intensity_level`，基于给定的阈值进行分类。

data['intensity_level'] = pd.cut(data['hourly_rainfall'], 
                                bins=[0, 20, 50, 80, 100, float('inf')],
                                labels=['0-20', '20-50', '50-80', '80-100', '>=100'])

4. **按月份统计强降水次数**：
使用`groupby`和`count()`计算每个月份强降水事件的数量。

monthly_counts = data.groupby(data.index.month)['intensity_level'].value_counts()

5. **记录强降水时间和雷达基数据筛选**：
要获取每次强降水的具体时间，可以先找到所有`intensity_level`为"20-50", "50-80", "80-100", 和 ">=100" 的行，然后对这些行按照时间排序，再从中筛选雷达基数据。

strong_precip_events = data[data['intensity_level'].isin(['20-50', '50-80', '80-100', '>=100'])]
sorted_events = strong_precip_events.sort_values('datetime_column').reset_index(drop=True)
radar_base_data_filtered = radar_data[radar_data['datetime'].isin(sorted_events['datetime_column'])]

这里的`datetime_column`需要替换为你实际的数据文件中表示日期时间的列名。