作爲曾經地球科學領域最炙手可熱腳本語言之一的NCL已經進入維護模式，不再更新。NCAR將使用Python作爲地球科學領域的主要數據處理和可視化工具。
NCAR對NCL進行了“封裝”，構成了PyNGL和PyNIO，隨後可能還會開發一款工具，囊括NCL中大多數函數。PyNGL和PyNIO中的函數和繪圖方式與NCL是非常類似的，可以非常順暢的從NCL轉到Python。
但遺憾的是PyNGL和PyNIO仍不支持Windows系統(除了Win10的 Linux子系統外)。既然已經從NCL轉到Python了，那麼爲什麼一定要執着於PyNGL和PyNIO呢，今天就拋開PyNGL和PyNIO，介紹Python中其他常用庫，實現真正的跨平臺切換。
數據處理
•NetCDF格式 : netCDF4-python，h5py，h5netcdf，xarray等。
除了上述簡單的數據處理庫之外，python還提供了NCO和CDO工具的封裝，pynco和cdo，提供了更多的便捷操作。
•Grib格式：xarray，Iris，pygrib等，有些僅支持類Unix系統。
ECWMF提供了cfgrib工具可將grib格式轉換爲NetCDF格式，cfgrib庫支持Mac，Linux和windows系統。
•csv, xlsx等格式：pandas你值得擁有，無論是氣象還是其他領域的類似格式數據，使用pandas可以解決你的常用操作。
•HDF格式：pandas和h5py可以處理hdf5格式，PyHDF可以處理hdf4格式。
•二進制：numpy可以處理二進制數據，同時藉助python內置struct模塊可以非常方便的處理二進制格式數據。
上述介紹的一些庫，很多僅支持簡單的數據讀取和寫入操作，不支持更多計算操作。如果要對空間數據進行插值，可能就無法滿足了。
數據插值
•xESMF和ESMPy：氣象數據空間插值，尤其是對於模式網格數據而言，提供了一些便捷的命令可對網格數據進行一些列插值操作
•python-stratify：針對大氣和海洋數據進行垂直插值
•scipy.interpolate：模塊提供了大量插值函數
•python-geotiepoints：針對地理網格數據的空間插值
說到地球科學領域的數據處理，最離不開的應該也是模式輸出數據了。Python中有很多處理模式輸出的庫，功能都比較完善。
模式輸出處理
•wrf-python：對於使用WRF模式的來說使用最爲頻繁的模式輸出後處理工具之一。
•salem：這個庫包含了數據處理和可視化幾乎所有功能，就放這裏吧，畢竟也提供了不少WRF模式後處理和前處理的函數。
•CESM_postprocessing：針對CESM地球模式的後處理工具
•CAMxTools：提供了CAMx和CMAQ模型的前處理和後處理功能
•PseudoNetCDF：類似處理NetCDF的工具，可用於處理CMAQ等模式輸出結果
•MONET：模式和觀測評估工具，然而我非常喜歡的一款類似工具還沒有python版==
雷達和衛星數據處理
•PyART，wradlib可用於處理國外常見格式的雷達數據。改進後的PyART[1]和PyART[2]提供國內常用的S波段雷達數據處理方式，還有這個PyCINRAD[3]。此外，Python中還提供了不少雷達數據處理和反演庫。
•satpy，PyCAMA，pys5p，pyresample等庫可處理常見的衛星數據
說到數據處理，當然少不了Micaps的多種數據格式了，下面介紹一款國內大神基於Python開發的Micaps數據處理和可視化庫：
Micaps數據處理
•PyMICAPS：PyMICAPS[4]是由國內某氣象局一位大神開源的Micaps輸出處理和可視化工具(發佈在知名同性交友平臺–Github)，功能相對齊全，而且也在不斷完善。感興趣的可以下載使用，並反饋意見，幫助持續完善(打個廣告~~)。
數據處理完成之後，當然是要進一步進行分析，python中提供了相當多的分析工具，以下僅列出一小部分：
數據分析
•EOFS：Python EOF分析庫
•statsmodels：Python統計分析庫，提供了大量的統計分析函數
•scikit-learn：Python中較爲熱門的機器學習庫，其中也提供了相當多的統計學方法
•metpy，sharppy，atmos等庫可計算大氣科學領域常用的一些參數，其中metpy還提供了一些可視化和數據處理函數。
數據處理完成後，當然也要畫圖看一下了，要不然怎麼發paper呢？<手動狗頭>
數據可視化
•matplotlib：matplotlib可以說是python中最爲基礎的繪圖庫了
•seaborn：針對統計分析的可視化庫
•Basemap和Cartopy：針對地理信息的可視化庫
•EarthSim：針對環境模擬(比如水文氣象等)的後處理可視化工具，包含了交互式可視化。
•calmap：可以繪製日曆圖
除了上面列出來的之外，還有很多繪圖工具，不再贅述。當然還有一些庫不知道該怎麼分類，因爲分析畫圖的時候會用到，就放到這邊吧：
•geopandas：地理空間數據處理和可視化神器
•pyshp，fiona等可處理常規的shapefile文件，常在畫圖的時候添加海岸線和邊界線使用
上述介紹的可視化庫大多是非交互式可視化庫，關於Python中更多的可視化庫分類，見Python可視化工具概覽
畫圖當然少不了配色，以下介紹一些Python中的配色庫：
•cmocean：海洋科學領域的配色庫，除了python版之外，還有matlab及其他版本
•colorcet，palettable，colour：提供了很多可選的colormap
•colormap：提供了一些顏色轉換基礎操作和創建colormap的函數
•cmaps：提供了NCL中所有的colormap
除了上面提到的之外，Python中還有很多可用的庫，比如網絡數據獲取requests和bs4等，而且很多國外很多機構都提供了python版的獲取數據的API接口工具。
機器學習
•sklearn：前面已經介紹，可以用這個框架完成常用的機器學習流程，從數據預處理，特徵工程，建模到評估，非常方便，但不支持深度學習的模型。
•TensorFlow：大家都耳熟能詳的深度學習框架，是Google brain 開發和維護的，在工業界和學術界都有廣泛的使用。
•Pytorch：與TensorFlow相比，Pytorch更加方便實現簡單靈活的實驗，它的前身是Torch，用的是lua語言，從Torch到Pytorch可以看成是lua到python的遷移。
•Keras：是建立在 Tensorflow 和 Theano 之上的更高級的 封裝，非常容易上手，適合進行簡單的試驗。具體可以看鐵柱同學的系列文章。
•XGBoost：被稱爲機器學習大殺器的XGBoost(eXtreme Gradient Boosting)，想必大家都有所耳聞，很多比賽的top solutions大多數都用了這個算法。
•lightgbm：微軟推出的gbm算法模型，更加輕量，一些測試表明其可以實現類似xgboost的效果，但是可以極大節約時間成本。
•CatBoost：CatBoost是Yandex在17年開源的機器學習框架，對類別特徵支持較好，可以理解爲基於類別特徵優化的GBM算法。
•Hyperopt：強大的調參庫，支持貝葉斯優化。
上面僅對僅列出了一些氣象或者機器學習常用庫，當然還有很多庫有待挖掘。當你有一個想法的時候，可以在Google或者Github搜索一下，說不定Python就能滿足你呢！
References
[1] PyART: https://github.com/bugsuse/pyart
[2] PyART: https://github.com/zxdawn/pyart
[3] PyCINRAD: https://github.com/CyanideCN/PyCINRAD
[4] PyMICAPS: https://github.com/flashlxy/PyMICAPS