IRIS数据的初步处理

Python：IRIS数据的初步处理

此前一文分享了如何向IRIS申请数据，详细可参考(Python：向IRIS发送邮件申请事件或者连续数据)一文。但下载好数据后是一个个以.tar.mseed为结尾的数据包，该怎么对这个数据处理，得到sac文件？本文将简单介绍一下数据的转换过程，并提供一个简单的例子。

一. 将所有下载好的.tar.mseed为结尾的数据包放入mseed_data文件夹，执行01batch_decompress_data.py脚本，针对每一个.tar.mseed的数据包会生成.mseed，.meta，.xml三个文件。

import os
import sys
from glob import globif __name__ == "__main__":tar_mseed_data_saved_rpath = "./mseed_data/"tar_mseed_file_path_list = glob(tar_mseed_data_saved_rpath+"*.tar.mseed")tar_mseed_file_path_list.sort()file_saved_path = "./waveform_data/"os.makedirs(file_saved_path, exist_ok=True)# traverse every tar mseed file.for i in range(0, len(tar_mseed_file_path_list)):#for i in range(0, 1):sgl_tar_mseed_file_path = tar_mseed_file_path_list[i]cmd = "tar -xvf %s -C%s"%(sgl_tar_mseed_file_path, file_saved_path)os.system(cmd)

二. 执行02extract_sac_response_files.py脚本。这个脚本中有两个子函数，extract_dataless_files()和extract_sac_and_response_files()。extract_dataless_files()函数是用来提取dataless文件，这里需要用到stationxml-seed-converter-2.1.0.jar，因此需要在电脑上安装java。extract_sac_and_response_files()函数是提取sac数据以及仪器响应文件，这里默认提取PZ文件，这里需要用到rdseed。提前还需要提供一个台站列表。

# 台站列表如下
"""
AC BCI   42.366600 20.067499  500.00
AC KBN   40.623600 20.787399  800.00
"""import os
import sys
from glob import globdef extract_dataless_files(root_path, station_info_path):root_path = root_path + "waveform_data/"# obtain the information of stations.fileID = open(station_info_path, "r")data_lines = fileID.readlines()fileID.close()net_sta_list = [".".join(dl.split()[0:2]) for dl in data_lines]net_sta_list.sort()for i in range(0, len(net_sta_list)):sgl_net_sta = net_sta_list[i]folder_path_list = glob(root_path + sgl_net_sta + "*")if not len(folder_path_list):print("There are some errors when we try to find folder with %s!"%(sgl_net_sta))continuefolder_path = folder_path_list[0]match_dataless = folder_path + "/" + "*.dataless"if len(glob(match_dataless)) != 0:print("There is already dataless file for %s!"%(sgl_net_sta))continuematch_xml = folder_path + "/" + "*.xml"match_xml_path = glob(match_xml)if len(match_xml_path) == 0:print("There is not xml file for %s!"%(sgl_net_sta))continuecmd = "java -jar stationxml-seed-converter-2.1.0.jar %s"%(match_xml_path[0])os.system(cmd)def extract_sac_and_response_files(root_path, station_info_path):response_saved_path = root_path + "reponse_files"os.makedirs(response_saved_path, exist_ok=True)root_path = root_path + "waveform_data/"# obtain the information of stations.fileID = open(station_info_path, "r")data_lines = fileID.readlines()fileID.close()net_sta_list = [".".join(dl.split()[0:2]) for dl in data_lines]net_sta_list.sort()for i in range(0, len(net_sta_list)):#for i in range(0, 1):sgl_net_sta = net_sta_list[i]folder_path_list = glob(root_path + sgl_net_sta + "*")if not len(folder_path_list):print("There are some errors when we try to find folder with %s!"%(sgl_net_sta))continuefolder_path = folder_path_list[0]data_folder_path = folder_path + "/" + "data/"if os.path.exists(data_folder_path):print("There is already data folder for %s!"%(sgl_net_sta))continueos.makedirs(data_folder_path)match_dataless = folder_path + "/" + "*.dataless"dataless_path = glob(match_dataless)[0]match_mseed = folder_path + "/" + "*.mseed"mseed_path = glob(match_mseed)[0]cmd = "rdseed -df %s -g %s -q %s"%(mseed_path, dataless_path, data_folder_path)os.system(cmd)cmd2 = "rdseed -pf %s -q %s"%(dataless_path, response_saved_path)os.system(cmd2)if __name__ == "__main__":root_path = "./"station_info_path = "./station_info" #extract_dataless_files(root_path, station_info_path)extract_sac_and_response_files(root_path, station_info_path)

以上是代码分享，提供的例子可以在此处下载https://download.csdn.net/download/u011563036/83602004。希望能帮到需要的人，有错误的地方望告知。
注：代码只在ubuntu18.04中做过测试。使用了3.6版本的python。

参考：
1、https://github.com/iris-edu/stationxml-seed-converter/releases（stationxml-seed-converter-2.1.0.jar的来源）
2. https://github.com/iris-edu-legacy/rdseed (rdseed的来源)

IRIS数据的初步处理相关推荐

R语言基于自定义函数构建xgboost模型并使用LIME解释器进行模型预测结果解释：基于训练数据以及模型构建LIME解释器解释一个iris数据样本的预测结果、LIME解释器进行模型预测结果解释并可视化
R语言基于自定义函数构建xgboost模型并使用LIME解释器进行模型预测结果解释:基于训练数据以及模型构建LIME解释器解释一个iris数据样本的预测结果.LIME解释器进行模型预测结果解释并可视化 ...
R语言基于自定义函数构建xgboost模型并使用LIME解释器进行模型预测结果解释：基于训练数据以及模型构建LIME解释器解释多个iris数据样本的预测结果、使用LIME解释器进行模型预测结果解释
R语言基于自定义函数构建xgboost模型并使用LIME解释器进行模型预测结果解释:基于训练数据以及模型构建LIME解释器解释多个iris数据样本的预测结果.使用LIME解释器进行模型预测结果解释并可 ...
利用sklearn库决策树模型对iris数据多分类并进行评估
1.导入所需要的库 from sklearn.tree import DecisionTreeClassifier from sklearn.datasets import load_iris 2.加 ...
InterSystems IRIS数据平台：数据接收速度测试
关于本文本文为翻译整理(节选),原文链接请点击:https://openexchange.intersystems.com/package/Ingestion-Speed-Test?tab=deta ...
天文服务领域创新企业Skyline借助InterSystems IRIS数据平台，打造国内首个智能天文观测服务平台
2019年5月20日,全球医疗.商业.政府领域信息技术的领导者InterSystems宣布,中国首家天文服务领域创新企业北京斯凯林科技有限公司(下文简称Skyline)借助InterSystems I ...
iris数据_Python数据分析03-Iris-箱形图与outliers
0.篇首本篇文章继续在 Iris 的基础上做数据可视化处理.在前两篇文章中,我们分别使用了直方图.KDE 以及一个十分抽象的三维图展示了 Iris 数据集.这些图都很清晰地把三个 Species 区 ...
针对IRIS数据的特征选择与提取方法研究（模式识别第四次作业）
针对IRIS数据的特征选择与提取方法研究要求对Iris数据进行两个特征选择,共6种组合,计算类别可分性准则函数J值,得出最好的分类组合,画出六种组合的分布图: 使用前期作业里面的程序.对6种组合分 ...
利用python决策树分析iris数据及树状图绘制
利用python决策树分析iris数据及树状图绘制数据说明数据划分模型训练及评估模型训练代码模型大致评估树状图绘制 Graphviz安装配置及入门代码汇总基地部门公众号数据说明数据 ...
iris数据_Kaggle 数据可视化课程5
Lesson 5 直方图和密度图在本教程中,您将学习所有关于直方图和密度图. 设置notebook 与往常一样,我们从设置编码环境开始. In [1]: import pandas as pd pd ...

IRIS数据的初步处理

Python：IRIS数据的初步处理

IRIS数据的初步处理相关推荐

最新文章

热门文章