📚 课程目录第3章数据读取与初步观察

3. 数据读取与初步观察

拿到一份海洋数据文件，第一件事不是急着画图，而是把它“读进来、看清楚”。海洋数据常见的载体有三类：CSV 文本表、NetCDF 多维网格、Excel 工作簿。它们承载的信息结构差别很大——CSV 通常是“一行一个观测”的长表，NetCDF 是“维度 + 变量”的多维数组，Excel 则常被人工整理成带表头说明的混合布局。本节围绕“读入 → 看规模 → 认维度 → 做初判”这条主线，把三类格式的读取要点和初步观察方法讲清楚。

一、三类格式的读取入口

CSV 用 pandas.read_csv 最直接。海洋 CSV 常见的问题是表头不规范：有的首行是站点说明，有的用分号分隔，有的缺失值写成 -999 或 NaN 字符串。读取时应显式指定参数，而不是依赖默认推断：

import pandas as pd

df = pd.read_csv(
    "ctd_station.csv",
    sep=",",
    header=0,
    na_values=["-999", "-9999", "NaN", ""],
    parse_dates=["time"],
    encoding="utf-8"
)
print(df.shape)
print(df.dtypes)
print(df.head())

NetCDF 用 xarray 打开，它能自动解析维度、坐标和变量属性，是海洋网格数据的首选：

import xarray as xr

ds = xr.open_dataset("sst_monthly.nc")
print(ds)                 # 维度、坐标、变量一览
print(ds.dims)            # 各维度长度
print(ds.data_vars)       # 数据变量名
print(ds["sst"].attrs)    # 单位、缺测值、long_name

Excel 用 pandas.read_excel，关键是确认工作表名和数据起始行。人工整理的海洋观测表常在前几行放项目名、单位说明，真正表头在第 3 行左右，需要用 sheet_name 和 header 精确定位，必要时用 skiprows 跳过说明行。

二、看规模与结构：先建立“数据画像”

读入之后，先回答四个问题：有多少行多少列？每列是什么类型？有没有明显的缺测？时间与空间字段是否被正确解析？对 DataFrame，shape、dtypes、info()、describe() 能快速给出轮廓；对 NetCDF，ds.dims 告诉你维度长度，ds.coords 告诉你经纬度、时间、深度的取值范围，ds["变量"].attrs 里的 units、_FillValue、scale_factor 决定了数值是否需要换算。

一个容易被忽略的点是“维度顺序”。NetCDF 中温度变量可能是 (time, depth, lat, lon)，也可能是 (time, lat, lon)；如果误把深度当成时间切片，后续所有分析都会错位。因此读入后应打印 ds["temp"].dims，确认每个轴代表什么，再决定如何索引。

三、识别变量与维度：把“名字”对上“物理量”

海洋数据的变量名往往缩写严重，如 sst、sss、temp、salt、u、v、ssh。识别时不能只看名字，要结合 long_name、standard_name、units 三个属性交叉确认。例如 units="degrees_C" 说明是摄氏温度，units="1e-3" 配合 long_name="sea_water_salinity" 说明盐度以 10⁻³ 为单位，实际值需乘以 0.001。坐标变量同样要核对：经度是 0–360 还是 -180–180，纬度是南正还是北正，深度是向下为正还是向上为正。这些约定一旦弄反，剖面图和平面分布图都会出现镜像或倒置。

四、初步统计描述：用数字给数据“体检”

对表结构数据，df.describe() 会给出计数、均值、标准差、最小最大值和四分位数。海洋变量的合理范围可以作为第一道筛子：海表温度大致在 -2 ℃ 到 35 ℃ 之间，盐度约 0–40，流速分量通常在 ±3 m/s 以内。如果某列最大值出现 9999 或 -999，基本可以判定是缺测标记未被识别；如果盐度均值只有 0.035，则很可能是单位未换算。对 NetCDF，可用 ds["sst"].min()、.max()、.mean(skipna=True) 快速得到全局统计，并配合 ds["sst"].isnull().sum() 查看缺测分布。

统计描述不只是“看一眼”，而是要与物理常识对照。例如某月 SST 的 99% 分位数达到 45 ℃，就要怀疑是否混入了陆地格点或单位错误；某深度层盐度标准差接近零，可能是该层被整层填充了同一个缺测值。把这些初判记录下来，后续清洗才有依据。

五、一个可复用的观察清单

把上面的动作固化成一份简短清单，每次拿到新数据按序过一遍，能显著减少返工：

读入参数：分隔符、表头行、缺测标记、编码、时间列是否显式指定。
规模：行数、列数、维度长度，是否与预期站点数/格点数/时段吻合。
类型：时间是否为 datetime，经纬度与深度是否为数值，分类字段是否被误读为数值。
变量语义：long_name、units、_FillValue、scale_factor 是否核对。
坐标约定：经度范围、纬度正负、深度方向，全文与图示保持一致。
统计合理性：范围、分位数、缺测比例是否落在物理可信区间。

建议在 Notebook 中把“读入 + 画像 + 统计”写成一个小函数，返回 shape、dtypes、缺测比例和关键变量的 describe 结果。这样每换一个数据文件，只需改路径即可复现同一套检查，避免遗漏。

完成这一节的动作后，你应当能说清楚：这份数据有多少条记录、每个变量代表什么物理量、单位是什么、维度如何排列、缺测以什么形式存在、数值范围是否合理。只有这些“底账”清楚了，后面的清洗、插值、绘图和统计分析才建立在可靠的基础上。