Sesión 2 · De datos a una primera figura

Python, xarray, pandas y el proyecto ENSO–Baja

Posgrado en Oceanografía Física · CICESE

2026-09-01

Dónde vamos

Recordatorio de la historia

Marina recibió tres tipos de datos:

• SST mensual frente a Baja California en NetCDF;
• precipitación mensual en Ensenada en CSV;
• índice ONI en CSV.

Hoy quiere pasar de:

archivos en data/
      ↓
leer datos con Python
      ↓
entender dimensiones y fechas
      ↓
hacer una primera figura

Pregunta guía

¿Cómo han variado la SST frente a Baja California, la precipitación en Ensenada y ENSO durante los últimos 30 años?

Hoy no buscamos una respuesta final.

Buscamos dejar listo un flujo de trabajo para explorar la pregunta.

Al final de hoy

Queremos tener:

enso_baja/
├── data/
├── notebooks/
│   └── 01_explora_datos.ipynb
├── scripts/
│   └── plot_sst_timeseries.py
├── figures/
│   └── sst_baja_promedio.png
├── README.md
└── environment.yml

Este archivo asume que los datos dummy ya existen en data/. Los nombres finales pueden cambiar.

Abrir el proyecto

Empezamos desde la terminal

Entramos al proyecto:

cd enso_baja
pwd
ls -F

Activamos el ambiente:

conda activate oceanografia

Abrimos JupyterLab:

jupyter lab

Antes de programar: inspeccionar

Desde la terminal:

ls data
ls data/*.csv
ls data/*.nc
head data/oni_mensual.csv
head data/precipitacion_ensenada_mensual.csv

Pregunta:

¿Qué tipo de archivo parece cada uno?

¿Podemos leerlos todos de la misma forma?

NetCDF vs CSV

NetCDF

Bueno para datos científicos multidimensionales:

sst(time, lat, lon)

Lo leeremos con xarray.

CSV

Bueno para tablas:

fecha, valor

Lo leeremos con pandas.

Primer notebook

Crear notebook

En notebooks/, crea:

01_explora_datos.ipynb

Primera celda:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import xarray as xr

Regla práctica

Un notebook científico debe combinar:

• código;
• texto;
• figuras;
• interpretación.

No queremos sólo una lista de celdas ejecutadas.

Queremos que alguien pueda seguir la historia.

Leer SST con xarray

Abrir el NetCDF

ds = xr.open_dataset("../data/sst_baja_mensual_1994_2024.nc")
ds

En los datos dummy el nombre puede ser:

ds = xr.open_dataset("../data/sst_baja_dummy.nc")

Antes de la clase, ajustar el nombre del archivo en los materiales finales.

¿Qué estamos viendo?

Al abrir ds, buscar:

• dimensiones;
• coordenadas;
• variables;
• unidades;
• rango temporal.

Preguntas:

ds.dims

ds.coords

ds.data_vars

Dataset y DataArray

En xarray:

Dataset
  ├── coordenadas
  ├── atributos
  └── variables
        ↓
      DataArray

Una variable típica sería:

sst = ds["sst"]
sst

Reto 1 · Explorar la SST

En parejas:

1. ¿Cuáles son las dimensiones de sst?
2. ¿Cuántos tiempos hay?
3. ¿Qué unidades tiene la variable?
4. ¿Cuál es el primer y último tiempo?

Pistas:

sst.dims
sst.shape
sst.attrs
sst.time.min(), sst.time.max()

Una primera figura espacial

sst.isel(time=0).plot()
plt.title("SST · primer mes disponible")

Pregunta:

¿Qué estamos viendo: un valor absoluto o una anomalía?

Seleccionar un tiempo

Podemos seleccionar por posición:

sst.isel(time=0)

O por coordenada:

sst.sel(time="2000-01")

Si la fecha exacta no existe:

sst.sel(time="2000-01", method="nearest")

Una serie de tiempo regional

Promedio espacial

Para obtener una serie mensual promedio frente a Baja California:

sst_bc = sst.mean(dim=("lat", "lon"))
sst_bc

Graficamos:

sst_bc.plot()
plt.title("SST promedio frente a Baja California")
plt.ylabel("SST")

¿Qué domina la serie?

Miren la figura.

Pregunta:

¿Qué variabilidad salta primero a la vista?

Normalmente veremos un ciclo estacional fuerte.

Eso puede ocultar variabilidad interanual.

Climatología mensual

Calculamos el promedio para cada mes del año:

clim = sst_bc.groupby("time.month").mean("time")
clim

Graficamos:

clim.plot(marker="o")
plt.title("Climatología mensual de SST")
plt.xlabel("Mes")
plt.ylabel("SST")

Anomalía mensual

Restamos la climatología de cada mes:

ssta_bc = sst_bc.groupby("time.month") - clim
ssta_bc

Graficamos:

ssta_bc.plot()
plt.axhline(0, color="k", linewidth=0.8)
plt.title("Anomalía de SST frente a Baja California")
plt.ylabel("SSTA")

Pausa conceptual

SST absoluta
   = temperatura observada

SSTA
   = temperatura observada - ciclo estacional típico

La anomalía nos ayuda a comparar enero con enero, julio con julio, etc.

Reto 2 · Tu primera figura guardada

Haz una figura de la anomalía de SST y guárdala en figures/.

fig, ax = plt.subplots()
ssta_bc.plot(ax=ax)
ax.axhline(0, color="k", linewidth=0.8)
ax.set_title("Anomalía de SST frente a Baja California")
ax.set_ylabel("SSTA")
fig.savefig("../figures/ssta_baja_timeseries.png", dpi=150, bbox_inches="tight")

Verifica desde la terminal:

ls figures

Leer ONI con pandas

Abrir el CSV

oni = pd.read_csv("../data/oni_mensual.csv")
oni.head()

Preguntas:

• ¿Qué columnas tiene?
• ¿Cómo está escrita la fecha?
• ¿Cómo se llama la columna del índice?

Fechas

Idealmente queremos una columna de tiempo entendida como fecha:

oni = pd.read_csv("../data/oni_mensual.csv", parse_dates=["time"])
oni = oni.set_index("time")
oni.head()

Si la columna se llama distinto, hay que adaptar el código.

Graficar ONI

oni["oni"].plot()
plt.axhline(0, color="k", linewidth=0.8)
plt.title("Índice ONI")
plt.ylabel("ONI")

Pregunta:

¿Cuándo aparecen eventos positivos y negativos?

Reto 3 · Identificar años cálidos/fríos

Usando la gráfica de ONI:

1. identifica un periodo con ONI positivo;
2. identifica un periodo con ONI negativo;
3. pregunta si la SSTA regional responde igual.

No necesitamos responder todavía.

Sólo estamos formulando una pregunta.

Leer precipitación

Abrir precipitación

rain = pd.read_csv("../data/precipitacion_ensenada_mensual.csv", parse_dates=["time"])
rain = rain.set_index("time")
rain.head()

Preguntas:

• ¿qué unidades tiene la precipitación?
• ¿hay meses sin datos?
• ¿la precipitación se comporta como la SST?

Graficar precipitación

rain["precip_mm"].plot()
plt.title("Precipitación mensual en Ensenada")
plt.ylabel("Precipitación [mm]")

Pregunta:

¿Conviene comparar precipitación mensual directamente con ONI mensual?

Agregación estacional

Para precipitación quizá nos interesen acumulados invernales.

Ejemplo simple:

rain_winter = rain["precip_mm"].resample("YE").sum()
rain_winter.plot(marker="o")
plt.title("Precipitación anual acumulada")
plt.ylabel("Precipitación [mm]")

Para el curso corto, no entrar aún a definición rigurosa de invierno hidrológico. Mostrarlo como una decisión científica que se puede refinar.

Juntar ideas

Tres series, tres comportamientos

Hasta ahora tenemos:

SST regional
SSTA regional
ONI
precipitación local

Cada una responde a una pregunta distinta.

El proyecto final consistirá en decidir:

¿qué comparación vale la pena mostrar?

Una comparación guiada

Ejemplo: SSTA regional y ONI.

fig, ax = plt.subplots()
ssta_bc.plot(ax=ax, label="SSTA Baja California")
ax.set_title("SSTA regional")
ax.set_ylabel("SSTA")
ax.legend()

Para comparar con ONI puede ser necesario alinear fechas y unidades.

Precaución científica

Dos series que se parecen no prueban causalidad.

Preguntas importantes:

• ¿hay desfase?
• ¿la relación cambia entre eventos?
• ¿la precipitación responde de manera más ruidosa?
• ¿qué otros procesos regionales podrían intervenir?

Notebook a script

¿Por qué hacer un script?

El notebook sirve muy bien para explorar.

Un script sirve para repetir una tarea.

Por ejemplo:

scripts/plot_sst_timeseries.py

Script mínimo

import matplotlib.pyplot as plt
import xarray as xr

# Leer datos
ds = xr.open_dataset("data/sst_baja_mensual_1994_2024.nc")
sst = ds["sst"]

# Calcular anomalía regional
sst_bc = sst.mean(dim=("lat", "lon"))
clim = sst_bc.groupby("time.month").mean("time")
ssta_bc = sst_bc.groupby("time.month") - clim

# Figura
fig, ax = plt.subplots()
ssta_bc.plot(ax=ax)
ax.axhline(0, color="k", linewidth=0.8)
ax.set_title("Anomalía de SST frente a Baja California")
ax.set_ylabel("SSTA")
fig.savefig("figures/ssta_baja_timeseries.png", dpi=150, bbox_inches="tight")

Ejecutar desde terminal

Desde el directorio principal del proyecto:

python scripts/plot_sst_timeseries.py

Verificar:

ls figures

Cierre

¿Qué cambió hoy en el proyecto?

notebooks/01_explora_datos.ipynb
scripts/plot_sst_timeseries.py
figures/ssta_baja_timeseries.png

También empezamos a entender:

• qué contiene cada archivo;
• qué variables podemos comparar;
• qué decisiones científicas quedan abiertas.

Gancho para la sesión 3

Marina ya tiene código, figuras y decisiones.

Pero mañana puede cambiar algo y arrepentirse.

Pregunta final:

¿Cómo guardamos la historia del proyecto sin llenar la carpeta de versiones finales?

Mañana: Git y GitHub.