im = ax.contourf(TTP.longitude, TTP.latitude, tlup, cmap='coolwarm', levels=np.arange(-4, 4.5, 0.5), extend='both') File "C:\Users\cindy\anaconda3\lib\site-packages\xarray\core\common.py", line 246, in __getattr__ raise AttributeError( AttributeError: 'DataArray' object has no attribute 'longitude'

这个错误提示是因为在你的 `TTP` 数据数组中没有名为 `longitude` 的变量。你可以通过查看 `TTP` 的属性或者维度来确认正确的变量名。例如，如果你的经度变量名为 `lon`，那么你应该使用 `TTP.lon` 而不是 `TTP.longitude`。同样的，如果你的纬度变量名为 `lat`，那么你应该使用 `TTP.lat` 而不是 `TTP.latitude`。

相关问题

优化这个代码import xarray as xr import netCDF4 as nc import pandas as pd import numpy as np import datetime import matplotlib.pyplot as plt import cartopy.mpl.ticker as cticker import cartopy.crs as ccrs import cartopy.feature as cfeature ds = xr.open_dataset('C:/Users/cindy/Desktop/SP.nc', engine='netcdf4') # 读取原始数据 ds_temp = xr.open_dataset('C:/Users/cindy/Desktop/SP.nc') # 区域提取* south_asia = ds_temp.sel(latitude=slice(38, 28), longitude=slice(75, 103)) indian_ocean = ds_temp.sel(latitude=slice(5, -15), longitude=slice(60, 100)) # 高度插值 south_asia_200hpa = south_asia.t.interp(level=200) indian_ocean_200hpa = indian_ocean.t.interp(level=200) south_asia_400hpa = south_asia.t.interp(level=400) indian_ocean_400hpa = indian_ocean.t.interp(level=400) # 区域平均 TTP = south_asia_400hpa.mean(dim=('latitude', 'longitude'))#.values TTIO = indian_ocean_400hpa.mean(dim=('latitude', 'longitude'))# TTP_200hpa = south_asia_200hpa.mean(dim=('latitude', 'longitude')) TTIO_200hpa = indian_ocean_200hpa.mean(dim=('latitude', 'longitude')) tlup=(TTP-TTIO)-(TTP_200hpa-TTIO_200hpa)-(-5.367655815) # 定义画图区域和投影方式 fig = plt.figure(figsize=[10, 8]) ax = plt.axes(projection=ccrs.PlateCarree()) # 添加地图特征 ax.set_extent([60, 140, -15, 60], crs=ccrs.PlateCarree()) ax.add_feature(cfeature.COASTLINE.with_scale('50m'), linewidths=0.5) ax.add_feature(cfeature.LAND.with_scale('50m'), facecolor='lightgray') ax.add_feature(cfeature.OCEAN.with_scale('50m'), facecolor='white') # 画距平场 im = ax.contourf(TTP_200hpa, TTP, tlup, cmap='coolwarm', levels=np.arange(-4, 4.5, 0.5), extend='both') # 添加色标 cbar = plt.colorbar(im, ax=ax, shrink=0.8) cbar.set_label('Temperature anomaly (°C)') # 添加经纬度坐标轴标签 ax.set_xticks(np.arange(60, 105, 10), crs=ccrs.PlateCarree()) ax.set_yticks(np.arange(-10, 40, 10), crs=ccrs.PlateCarree()) lon_formatter = cticker.LongitudeFormatter() lat_formatter = cticker.LatitudeFormatter() ax.xaxis.set_major_formatter(lon_formatter) ax.yaxis.set_major_formatter(lat_formatter) # 添加标题和保存图片 plt.title('Temperature anomaly at 400hPa over South Asia and the Indian Ocean') plt.savefig('temperature_anomaly.png', dpi=300) plt.show()

1. 首先，可以将多个导入语句合并为一行，以提高代码的可读性。例如：

import xarray as xr, netCDF4 as nc, pandas as pd, numpy as np, datetime
import matplotlib.pyplot as plt
import cartopy.mpl.ticker as cticker, cartopy.crs as ccrs, cartopy.feature as cfeature

2. 可以在代码中删除不必要的变量，例如 `ds` 和 `ds_temp` 都是指向同一个文件的数据集，因此只需要保留一个即可。

3. 对于数据集的区域提取和高度插值操作，可以将它们合并成一个链式操作，以减少代码行数。例如：

south_asia = ds.sel(latitude=slice(38, 28), longitude=slice(75, 103)).t.interp(level=200)
indian_ocean = ds.sel(latitude=slice(5, -15), longitude=slice(60, 100)).t.interp(level=200)

4. 对于计算平均值的操作，可以使用 `reduce` 函数，以减少代码行数。例如：

TTP, TTIO = np.array([south_asia_400hpa, indian_ocean_400hpa]).reduce(lambda x, y: x.mean(dim=('latitude', 'longitude')), axis=0)
TTIO_200hpa = indian_ocean_200hpa.mean(dim=('latitude', 'longitude'))

5. 可以将一些常量定义为全局变量或者类变量，以方便后续使用。例如：

LEVEL = 400
SLICE_LATITUDE = slice(38, 28)
SLICE_LONGITUDE = slice(75, 103)
SLICE_IO_LATITUDE = slice(5, -15)
SLICE_IO_LONGITUDE = slice(60, 100)
TITLE = 'Temperature anomaly at {}hPa over South Asia and the Indian Ocean'.format(LEVEL)

6. 可以将绘图的代码封装为一个函数，以提高代码的可读性和复用性。例如：

def plot_temperature_anomaly(TTP, TTIO, TTP_200hpa, TTIO_200hpa, tlup):
    fig = plt.figure(figsize=[10, 8])
    ax = plt.axes(projection=ccrs.PlateCarree())
    
    ax.set_extent([60, 140, -15, 60], crs=ccrs.PlateCarree())
    ax.add_feature(cfeature.COASTLINE.with_scale('50m'), linewidths=0.5)
    ax.add_feature(cfeature.LAND.with_scale('50m'), facecolor='lightgray')
    ax.add_feature(cfeature.OCEAN.with_scale('50m'), facecolor='white')
    
    im = ax.contourf(TTP_200hpa, TTP, tlup, cmap='coolwarm', levels=np.arange(-4, 4.5, 0.5), extend='both')
    
    cbar = plt.colorbar(im, ax=ax, shrink=0.8)
    cbar.set_label('Temperature anomaly (°C)')
    
    ax.set_xticks(np.arange(60, 105, 10), crs=ccrs.PlateCarree())
    ax.set_yticks(np.arange(-10, 40, 10), crs=ccrs.PlateCarree())
    lon_formatter = cticker.LongitudeFormatter()
    lat_formatter = cticker.LatitudeFormatter()
    ax.xaxis.set_major_formatter(lon_formatter)
    ax.yaxis.set_major_formatter(lat_formatter)
    
    plt.title(TITLE)
    plt.savefig('temperature_anomaly.png', dpi=300)
    plt.show()

7. 最后，可以将所有操作封装为一个函数，以方便调用。例如：

def calculate_and_plot_temperature_anomaly(filename):
    ds = xr.open_dataset(filename)
    
    south_asia = ds.sel(latitude=SLICE_LATITUDE, longitude=SLICE_LONGITUDE).t.interp(level=LEVEL)
    indian_ocean = ds.sel(latitude=SLICE_IO_LATITUDE, longitude=SLICE_IO_LONGITUDE).t.interp(level=LEVEL)
    south_asia_200hpa = south_asia.t.interp(level=200)
    indian_ocean_200hpa = indian_ocean.t.interp(level=200)
    
    TTP, TTIO = np.array([south_asia, indian_ocean]).reduce(lambda x, y: x.mean(dim=('latitude', 'longitude')), axis=0)
    TTP_200hpa = south_asia_200hpa.mean(dim=('latitude', 'longitude'))
    TTIO_200hpa = indian_ocean_200hpa.mean(dim=('latitude', 'longitude'))
    
    tlup=(TTP-TTIO)-(TTP_200hpa-TTIO_200hpa)-(-5.367655815)
    
    plot_temperature_anomaly(TTP, TTIO, TTP_200hpa, TTIO_200hpa, tlup)

这样，我们就可以通过调用 `calculate_and_plot_temperature_anomaly(filename)` 函数来计算和绘制温度距平图了。

h=ax.contourf(lon,lat,dat, levels=list(range(0,5,1)), extend='both', cmap='coolwarm', transform=ccrs.LambertCylindrical())什么意思

这段代码是用来绘制等值线图的，包括经度、纬度和对应的数据值。`ax.contourf`是绘制填充的等值线图，`lon`和`lat`表示经度和纬度，`dat`表示对应的数据值，`levels`表示等值线的数值范围，`extend`表示等值线的颜色映射范围，`cmap`表示颜色映射表，`transform`表示地图投影方式。`ccrs.LambertCylindrical()`是一个Lambert等面积圆柱投影。