#60198708让我开始思考这个问题，因为我还没有找到好的解决方案。
问题我从EURO-CORDEX集合中下载了几个daily的气候模型。前次通量。虽然一些模型使用标准日历，兼容Pandasdatetime，但其他模型，特别是MOHC HadGem2 ES，使用360天CFTimeIndex。
主要的问题是，如何有效地用这些日历重新采样每月的数据，以便能够协调它，并在以后产生综合统计。
降水通量数据(2011-2015年节选)如下图你可以在这里下载。
<xarray.Dataset>
Dimensions: (bnds: 2, rlat: 412, rlon: 424, time: 1800)
Coordinates:
lat (rlat, rlon) float64 ...
lon (rlat, rlon) float64 ...
* rlat (rlat) float64 -23.38 -23.26 -23.16 ... 21.61 21.73 21.83
* rlon (rlon) float64 -28.38 -28.26 -28.16 ... 17.93 18.05 18.16
* time (time) object 2011-01-01 12:00:00 ... 2015-12-30 12:00:00
Dimensions without coordinates: bnds
Data variables:
pr (time, rlat, rlon) float32 ...
rotated_pole |S1 ...
time_bnds (time, bnds) object ...
Attributes:
CDI: Climate Data Interface version 1.3.2
Conventions: CF-1.6
NCO: 4.4.2
CDO: Climate Data Operators version 1.3.2 (htt...
contact: Fredrik Boberg, Danish Meteorological Ins...
creation_date: 2019-11-16 14:39:25
experiment: Scenario experiment using HadGEM as drivi...
experiment_id: rcp45
driving_experiment: MOHC-HadGEM2-ES,rcp45,r1i1p1
driving_model_id: MOHC-HadGEM2-ES
driving_model_ensemble_member: r1i1p1
driving_experiment_name: rcp45
frequency: day
institution: Danish Meteorological Institute
institute_id: DMI
model_id: DMI-HIRHAM5
rcm_version_id: v2
project_id: CORDEX
CORDEX_domain: EUR-11
product: output
tracking_id: hdl:21.14103/158e462e-499c-4d6e-8462-ac3e...
c3s_disclaimer: This data has been produced in the contex...
可以看到，数据集的时间维为cftime.Datetime360Day。所有月份都是30天，这有时对气候预测很好，但对pandas不是。
<xarray.DataArray 'time' (time: 1800)>
array([cftime.Datetime360Day(2011-01-01 12:00:00),
cftime.Datetime360Day(2011-01-02 12:00:00),
cftime.Datetime360Day(2011-01-03 12:00:00), ...,
cftime.Datetime360Day(2015-12-28 12:00:00),
cftime.Datetime360Day(2015-12-29 12:00:00),
cftime.Datetime360Day(2015-12-30 12:00:00)], dtype=object)
Coordinates:
* time (time) object 2011-01-01 12:00:00 ... 2015-12-30 12:00:00
Attributes:
standard_name: time
long_name: time
bounds: time_bnds
我所做的一切
我走了肮脏的方式，将CFTimeIndex转换为字符串，放入pandas.DataFrame并将时间转换为pd.to_datetime和errors=coerce
ds = xarray.open_dataset('data/mohc_hadgem2_es.nc')
def cft_to_string(cfttime_obj):
month = str(cfttime_obj.month)
day = str(cfttime_obj.day)
# This is awful but there were no two-digit months/days by default
month = '0'+month if len(month)==1 else month
day = '0'+day if len(day)==1 else day
return f'{cfttime_obj.year}-{month}-{day}'
# Apply above function
ds_time_strings = list(map(cft_to_string, ds['time']))
# Get precipitation values only (to use in pandas dataframe)
# Suppose the data are from multiple pixels (for whole of Europe)
# - that's why the mean(axis=(1,2))
precipitation = ds['pr'].values.mean(axis=(1,2))
# To dataframe
df = pd.DataFrame(index=ds_time_strings, data={'precipitation': precipitation})
# Coerce erroneous dates
df.index = pd.to_datetime(df.index, errors='coerce') # Now, dates such as 2011-02-30 are omitted
这给出了一个非标准日期作为NaT的数据帧，并且缺少一些日期(31天)。我不介意，因为我做了90年的预测。
precipitation
2011-01-01 0.000049
2011-01-02 0.000042
2011-01-03 0.000031
2011-01-04 0.000030
2011-01-05 0.000038
... ...
2011-02-28 0.000041
NaT 0.000055
NaT 0.000046
2011-03-01 0.000031
... ...
2015-12-26 0.000028
2015-12-27 0.000034
2015-12-28 0.000028
2015-12-29 0.000025
2015-12-30 0.000024
1800 rows × 1 columns
现在我可以使用pandas轻松地重新采样到每月数据。
虽然这似乎工作，是否有一个更干净的方式与xarray/pandas ?可能不是基于字符串的?
ds.indexes['time'].to_datetimeindex()在非标准日历上失败ds.resample(time='M')将进行重新采样，但是，它产生非标准月末。我没有找到正确月末的方法，因为ds['time'].dt.floor('M')在ValueError: <MonthEnd: n=1> is a non-fixed frequency上失败了。xarray.groupby(time='time.month')可以处理非标准日历，然而，它的用例是沿着不同的轴分组，这是不希望的
我肯定错过了什么，因为这是一个复杂的问题。谢谢你的帮助。
感谢详细的示例!如果你的分析可以接受月均值的时间序列，我认为最干净的方法是重新抽样到"月开始"。频率，然后协调日期类型，例如，对于CFTimeIndex索引的数据集，类似于:
resampled = ds.resample(time="MS").mean()
resampled["time"] = resampled.indexes["time"].to_datetimeindex()
这基本上是你的第二个要点，但有一个小的变化。重新采样到月开始频率可以解决360天日历中包含标准日历中不存在的月结束的问题，例如2月30日。