### 绘制柱状图与线性趋势并进行显著性检验 以下是使用 Python 实现读取 `nino.txt` 文件，并绘制1950-2024年间去年12月到今年1、2月的柱状图，同时添加线性趋势线以及进行显著性检验的完整代码。 ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt from scipy.stats import linregress, t # 读取文件 data = pd.read_csv('nino.txt', delim_whitespace=True, header=None) data.columns = ['Year'] + [f'M{i}' for i in range(1, 13)] # 设置列名 # 创建一个新的DataFrame用于存储12月至次年2月的数据 results = [] for i in range(len(data) - 1): year = data.iloc[i, 0] # 当前年份 avg_value = (data.iloc[i, 11] + data.iloc[i + 1, 0] + data.iloc[i + 1, 1]) / 3 # 计算12月到次年2月的平均值 results.append({'Year': year, 'Average': avg_value}) # 将结果转换为DataFrame df_results = pd.DataFrame(results) # 筛选1950年至2024年的数据 filtered_data = df_results[(df_results['Year'] >= 1950) & (df_results['Year'] <= 2023)] # 进行线性回归分析 x = filtered_data['Year'].values y = filtered_data['Average'].values slope, intercept, r_value, p_value, std_err = linregress(x, y) # 显著性检验 alpha = 0.05 # 显著性水平 if p_value < alpha: significance = "显著" else: significance = "不显著" # 绘制柱状图和线性趋势 plt.figure(figsize=(12, 6)) plt.bar(filtered_data['Year'], filtered_data['Average'], color='skyblue', label='平均值') plt.plot(filtered_data['Year'], slope * x + intercept, color='red', label=f'线性趋势 (p={p_value:.2e}) [{significance}]') plt.title('1950-2024年NINO指数（12月至次年2月）柱状图及线性趋势', fontsize=14) plt.xlabel('年份', fontsize=12) plt.ylabel('平均值', fontsize=12) plt.legend(fontsize=12) plt.grid(axis='y', linestyle='--', alpha=0.7) plt.xticks(rotation=45, fontsize=10) plt.tight_layout() plt.show() ``` 上述代码实现了以下功能： 1. **读取文件**：通过 `pandas` 读取 `nino.txt` 文件，并将第一列作为年份，其余列为月份[^1]。 2. **计算平均值**：计算每年12月至次年2月的平均值，并生成新的 DataFrame。 3. **筛选时间范围**：筛选出1950年至2024年的数据。 4. **线性回归分析**：使用 `scipy.stats.linregress` 进行线性回归分析，计算斜率、截距、相关系数、p 值和标准误差。 5. **显著性检验**：根据 p 值判断线性趋势是否显著。 6. **绘图**：绘制柱状图和线性趋势线，并在图例中标注 p 值和显著性结果。 ### 显著性检验说明 显著性检验通过 p 值来判断线性趋势是否显著。如果 p 值小于设定的显著性水平（如0.05），则认为线性趋势显著；否则认为不显著[^2]。 ### 注意事项 确保 `nino.txt` 文件格式正确，例如第一列为年份，其余列为对应月份的数据。如果文件中包含缺失值或异常值，可以通过设置缺测值为 `NaN` 并使用 `dropna()` 方法进行处理[^3]。