如何优雅地把NetCDF数据转成Excel

import netCDF4 as nc  # 读取NetCDF文件import numpy as np  # 数值计算import os  # 文件路径操作import pandas as pd  # 数据处理和Excel保存import warnings  # 处理警告信息import re  # 正则表达式，用于精准提取时间# 忽略无关警告，避免控制台刷屏warnings.filterwarnings('ignore', category=FutureWarning)warnings.filterwarnings('ignore', category=UserWarning)def extract_history_time0(history_str):    """    从history字符串中提取原始时间戳（如Sep 16 08:10:24 2020）    :param history_str: nf.__dict__['history']的字符串内容    :return: 提取的标准化时间字符串，无则返回'未知时间'    """    if not isinstance(history_str, str):        return '未知时间'    # 正则表达式匹配：月份 日期 时:分:秒 年份（如Sep 16 08:10:24 2020）    pattern = r'([A-Za-z]{3}\s+\d{1,2}\s+\d{2}:\d{2}:\d{2}\s+\d{4})'    time_matches = re.findall(pattern, history_str)    if not time_matches:        return '未知时间'    # 取最后一个匹配结果（原始数据处理时间，在history中靠后）    raw_time = time_matches[-1]    # 标准化格式：替换多个空格为单个    standard_time = re.sub(r'\s+', ' ', raw_time).strip()    return standard_timedef extract_history_time(history_str):    if not isinstance(history_str, str):        return pd.NaT  # 无时间返回空的datetime值    pattern = r'([A-Za-z]{3}\s+\d{1,2}\s+\d{2}:\d{2}:\d{2}\s+\d{4})'    time_matches = re.findall(pattern, history_str)    if not time_matches:        return pd.NaT    raw_time = re.sub(r'\s+', ' ', time_matches[-1]).strip()    # 转为datetime类型    try:        dt_time = pd.to_datetime(raw_time, format='%b %d %H:%M:%S %Y')        return dt_time    except:        return raw_time  # 转换失败则返回原始字符串def nc_read(path='tangshannew'):    """    读取指定路径下所有.nc文件，单文件保存为独立Excel，同时合并所有数据到单个Excel表格    修复：三维土壤剖面变量索引越界问题，优化变量筛选逻辑    :param path: NC文件所在根路径，会遍历子文件夹    """    # 确保输出文件夹存在    output_folder = 'result_out'    if not os.path.exists(output_folder):        os.makedirs(output_folder)        print(f'创建输出文件夹：{output_folder}')    # 全局数据列表，收集所有NC文件的处理后数据    all_data_list = []    # 遍历所有NC文件    for dirpath, _, filenames in os.walk(path):        for filename in filenames:            if not filename.endswith('.nc'):                continue  # 只处理.nc文件            # 拼接NC文件完整路径            nc_filepath = os.path.join(dirpath, filename)            print(f'\n========== 开始读取：{nc_filepath} ==========')            # 打开NC文件            with nc.Dataset(nc_filepath) as nf:                # 提取history中的原始时间                nc_attrs = nf.__dict__                history_str = nc_attrs.get('history', '')                data_time = extract_history_time(history_str)                print(f'从history中提取的原始时间：{data_time}')                # 1. 获取经纬度数据                lon = nf.variables['lon'][:].data                lat = nf.variables['lat'][:].data                # 尝试获取时间变量（若不存在则设为None）                time_var = nf.variables.get('time') or nf.variables.get('valid_time')                time_data = None                if time_var is not None:                    time_data = nc.num2date(time_var[:], units=time_var.units).data                    print(f'识别到数据时间维度，共{len(time_data)}个时间片')                print(f'经度维度：{len(lon)}个点，纬度维度：{len(lat)}个点')                # 2. 优化变量筛选：仅保留 纯(lat, lon) 二维变量，排除带剖面/垂直维度的三维变量                base_dims = {'lat', 'lon'}                value_vars = []                for var_name, var in nf.variables.items():                    # 跳过经纬度、时间等基础坐标变量                    if var_name in ['lon', 'lat', 'time', 'valid_time']:                        continue                    # 严格匹配：维度仅包含 lat, lon，无其他额外维度（如土壤剖面）                    var_dim_set = set(var.dimensions)                    if var_dim_set == base_dims:                        value_vars.append(var_name)                if not value_vars:                    print(f'【警告】{filename}中未找到符合(lat,lon)维度的数值变量，跳过')                    continue                print(f'识别到有效数值变量：{value_vars}')                # 3. 遍历维度收集数据                single_file_data = []                time_range = range(len(time_data)) if time_data is not None else [0]                lon_range = range(len(lon))                lat_range = range(len(lat))                for t_idx in time_range:                    for lat_idx in lat_range:                        for lon_idx in lon_range:                            row = {}                            row['data_time'] = data_time  # 从history提取的时间                            row['longitude'] = round(lon[lon_idx], 4)                            row['latitude'] = round(lat[lat_idx], 4)                            if time_data is not None:                                row['time'] = time_data[t_idx]                            else:                                row['time'] = 'single'                            # 添加原文件名列，方便合并后追溯数据来源                            row['source_file'] = filename                            # 遍历数值变量赋值，增加异常捕获                            for var_name in value_vars:                                try:                                    var_array = nf.variables[var_name][:].data                                    # 区分有无时间维度，正确索引二维数组                                    if time_data is not None:                                        # 维度顺序：time, lat, lon                                        row[var_name] = var_array[t_idx, lat_idx, lon_idx]                                    else:                                        # 维度顺序：lat, lon                                        row[var_name] = var_array[lat_idx, lon_idx]                                    # 替换缺省值为NaN，方便Excel处理                                    if row[var_name] == -9999.0:                                        row[var_name] = np.nan                                except Exception as e:                                    print(f'【警告】读取变量{var_name}失败：{str(e)}')                                    row[var_name] = np.nan                            single_file_data.append(row)                            # 同时添加到全局合并列表                            all_data_list.append(row)                # 4. 单文件数据转DataFrame并保存                single_df = pd.DataFrame(single_file_data)                print(f'{filename}数据整理完成，共{len(single_df)}行记录')                # 单文件Excel保存                excel_filename = f'{os.path.splitext(filename)[0]}.xlsx'                excel_filepath = os.path.join(output_folder, excel_filename)                single_df.to_excel(excel_filepath, index=False, float_format='%.4f')                print(f'{filename}已保存至：{excel_filepath}')    # 所有NC文件处理完成后，合并数据并保存为总表    if all_data_list:        print('\n========== 开始合并所有NC文件数据 ==========')        merged_df = pd.DataFrame(all_data_list)        merged_excel_path = os.path.join(output_folder, 'all_nc_data_merged.xlsx')        # 保存合并总表，设置浮点数格式，忽略索引        merged_df.to_excel(merged_excel_path, index=False, float_format='%.4f')        print(f'所有数据合并完成！总数据量：{len(merged_df)}行')        print(f'合并总表已保存至：{merged_excel_path}')    else:        print('\n【警告】未读取到任何有效NC数据，未生成合并总表')    print('\n========== 所有操作处理完成 ==========')if __name__ == '__main__':    # 调用函数，修改path为你的NC文件实际路径（Windows路径推荐使用原始字符串/双反斜杠）    nc_read(path=r'tangshannew')