Notebooks

Clima localității mele¶

Administrația Națională de Meteorologie publică pe data.gov.ro un set de date meteo zilnice gridate: temperatura maximă, temperatura minimă și precipitațiile, pentru fiecare zi din 1961 până ieri, pe o grilă de ~1 km care acoperă toată România. EOCube.Ro îl re-publică într-un singur cub de date (format Zarr, ~185 GB, actualizat zilnic) din care se poate citi doar bucata de interes.

În acest caiet alegem o localitate, decupăm cei 65 de ani de date pentru ea și răspundem la câteva întrebări simple: cât s-a încălzit, câte zile tropicale și de îngheț are un an, cum arată anul curent față de „normal”, cum au evoluat ploile.

Nu este nevoie de cont: cubul meteo este public și se citește anonim. Caietul rulează neschimbat pe notebooks.eocube.ro sau pe orice calculator cu Python (pip install xarray zarr s3fs rioxarray matplotlib eocube).

Modificați aici¶

Singurele lucruri de schimbat pentru a reface analiza pentru altă localitate: numele unității administrative (oraș sau comună, așa cum apare în nomenclatorul SIRUTA) și perioada de referință față de care comparăm (implicit normala climatică 1991–2020).

In [1]:

Copied!

LOCALITATE = "Timișoara"
REFERINTA = ("1991", "2020")   # perioada „normală” cu care comparăm
LOCALITATE = "Timișoara"
REFERINTA = ("1991", "2020")   # perioada „normală” cu care comparăm

Bibliotecile folosite¶

xarray — tablouri multidimensionale cu etichete (timp, latitudine, longitudine); cu el deschidem cubul.
s3fs — acces la stocarea de obiecte a platformei, aici anonim.
rioxarray — decupare geografică după un poligon.
pandas și matplotlib — serii de timp și grafice.
eocube — biblioteca platformei; de aici luăm conturul localității (serviciul geo-spatial.org).

In [2]:

Copied!





import logging
import warnings

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import rioxarray  # noqa: F401  (activează accesorul .rio)
import s3fs
import xarray as xr
from eocube.services.geospatialorg.uat import get_administrative_unit_by_name

warnings.filterwarnings("ignore")
logging.getLogger("owslib").setLevel(logging.ERROR)   # owslib comentează cererea, răspunsul e corect
plt.rcParams.update({"figure.dpi": 110, "axes.spines.top": False, "axes.spines.right": False,
                     "axes.grid": True, "grid.alpha": 0.25})
ACCENT = "#0a7470"   # culoarea de accent EOCube
LUNI = ["Ian", "Feb", "Mar", "Apr", "Mai", "Iun", "Iul", "Aug", "Sep", "Oct", "Nov", "Dec"]
import logging
import warnings

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import rioxarray  # noqa: F401  (activează accesorul .rio)
import s3fs
import xarray as xr
from eocube.services.geospatialorg.uat import get_administrative_unit_by_name

warnings.filterwarnings("ignore")
logging.getLogger("owslib").setLevel(logging.ERROR)   # owslib comentează cererea, răspunsul e corect
plt.rcParams.update({"figure.dpi": 110, "axes.spines.top": False, "axes.spines.right": False,
                     "axes.grid": True, "grid.alpha": 0.25})
ACCENT = "#0a7470"   # culoarea de accent EOCube
LUNI = ["Ian", "Feb", "Mar", "Apr", "Mai", "Iun", "Iul", "Aug", "Sep", "Oct", "Nov", "Dec"]

Deschidem cubul meteo¶

Cubul este un director Zarr în bucket-ul public meteo. open_zarr citește doar metadatele (sub o secundă) — datele propriu-zise se aduc mai târziu, numai pentru zona și perioada cerute.

In [3]:

Copied!

fs = s3fs.S3FileSystem(anon=True, endpoint_url="https://storage.svc.uvt-01.eocube.ro")
cub = xr.open_zarr(fs.get_mapper("meteo/cube/open-v1"))
cub
fs = s3fs.S3FileSystem(anon=True, endpoint_url="https://storage.svc.uvt-01.eocube.ro")
cub = xr.open_zarr(fs.get_mapper("meteo/cube/open-v1"))
cub

Out[3]:

<xarray.Dataset> Size: 185GB
Dimensions:                  (time: 32872, y: 483, x: 972)
Coordinates:
  * time                     (time) datetime64[ns] 263kB 1961-01-01 ... 2050-...
  * y                        (y) float64 4kB 48.35 48.34 48.34 ... 43.55 43.54
  * x                        (x) float64 8kB 20.13 20.14 20.15 ... 29.84 29.84
Data variables:
    last_max_temp_time       datetime64[ns] 8B ...
    last_min_temp_time       datetime64[ns] 8B ...
    last_precipitation_time  datetime64[ns] 8B ...
    max_temp                 (time, y, x) float32 62GB dask.array<chunksize=(90, 161, 324), meta=np.ndarray>
    min_temp                 (time, y, x) float32 62GB dask.array<chunksize=(90, 161, 324), meta=np.ndarray>
    precipitation            (time, y, x) float32 62GB dask.array<chunksize=(90, 161, 324), meta=np.ndarray>
    spatial_ref              int64 8B ...
Attributes:
    institution:  National Meteorological Administration, Department of Clima...
    processor:    West University of Timisoara
    source:       copyright: MeteoRomania

Axa timpului este pre-alocată până în 2050, dar datele reale se opresc la ultima zi publicată de ANM. O citim din cub și decupăm tot ce urmează după ea.

In [4]:

Copied!

ultima_zi = pd.Timestamp(cub.last_precipitation_time.values)
print("Date disponibile: 1961-01-01 →", ultima_zi.date())
ultima_zi = pd.Timestamp(cub.last_precipitation_time.values)
print("Date disponibile: 1961-01-01 →", ultima_zi.date())

Date disponibile: 1961-01-01 → 2026-09-28

Conturul localității¶

Poligonul unității administrative vine de la geo-spatial.org, prin funcția din eocube. Rezultatul este un GeoDataFrame; păstrăm prima potrivire.

In [5]:

Copied!

uat = get_administrative_unit_by_name(LOCALITATE).iloc[0]
print(uat["name"], "—", uat["natLevName"], "—", "județul", uat["county"])
uat.geometry
uat = get_administrative_unit_by_name(LOCALITATE).iloc[0]
print(uat["name"], "—", uat["natLevName"], "—", "județul", uat["county"])
uat.geometry

Timișoara — Municipiu resedinta de judet — județul Timiș

Out[5]:

No description has been provided for this image

Decupăm și încărcăm datele¶

Trei pași: (1) spunem lui rioxarray ce sistem de coordonate are grila, (2) tăiem cubul după poligon și după interval, (3) aducem rezultatul în memorie cu .load(). Pentru un oraș, decupajul are câteva sute de pixeli × 24 000 de zile — sub 50 MB, se descarcă în circa un minut. Regula de aur: mai întâi decupăm, apoi calculăm; pe un tablou mic în memorie orice statistică durează o fracțiune de secundă.

Mediem cei câțiva pixeli ai localității într-o singură serie zilnică și trecem în pandas, unde restul caietului este doar aritmetică pe un tabel.

In [7]:

Copied!

zilnic = local.mean(dim=["x", "y"]).to_dataframe()[["max_temp", "min_temp", "precipitation"]]
zilnic["temp_medie"] = (zilnic["max_temp"] + zilnic["min_temp"]) / 2
zilnic.tail()
zilnic = local.mean(dim=["x", "y"]).to_dataframe()[["max_temp", "min_temp", "precipitation"]]
zilnic["temp_medie"] = (zilnic["max_temp"] + zilnic["min_temp"]) / 2
zilnic.tail()

Out[7]:

	max_temp	min_temp	precipitation	temp_medie
time
2026-09-24	21.318302	4.403268	0.018301	12.860785
2026-09-25	19.574509	12.858171	0.000000	16.216339
2026-09-26	23.141830	9.803267	0.000000	16.472549
2026-09-27	25.462091	8.543137	0.000000	17.002613
2026-09-28	26.385620	8.711765	0.000000	17.548693

Dungile încălzirii¶

Reprezentarea introdusă de climatologul Ed Hawkins: câte o dungă pe an, colorată după abaterea temperaturii medii anuale față de perioada de referință. Folosim doar anii compleți.

In [8]:

Copied!





anual = zilnic["temp_medie"].resample("YS").mean()
anual = anual[anual.index.year < ultima_zi.year]           # doar ani compleți
abatere = anual - anual[REFERINTA[0]:REFERINTA[1]].mean()

norm = plt.Normalize(-2.5, 2.5)
fig, ax = plt.subplots(figsize=(12, 2.6))
ax.bar(anual.index.year, 1, width=1, color=plt.cm.RdBu_r(norm(abatere)))
ax.set(yticks=[], xlim=(anual.index.year[0] - 0.5, anual.index.year[-1] + 0.5),
       title=f"{LOCALITATE}: temperatura medie anuală față de {REFERINTA[0]}–{REFERINTA[1]}")
ax.grid(False)
fig.colorbar(plt.cm.ScalarMappable(norm=norm, cmap="RdBu_r"), ax=ax, pad=0.01, label="°C")
plt.show()

top5 = ", ".join(f"{an.year} ({v:+.1f} °C)" for an, v in abatere.nlargest(5).items())
print("Cei mai calzi 5 ani:", top5)
anual = zilnic["temp_medie"].resample("YS").mean()
anual = anual[anual.index.year < ultima_zi.year]           # doar ani compleți
abatere = anual - anual[REFERINTA[0]:REFERINTA[1]].mean()

norm = plt.Normalize(-2.5, 2.5)
fig, ax = plt.subplots(figsize=(12, 2.6))
ax.bar(anual.index.year, 1, width=1, color=plt.cm.RdBu_r(norm(abatere)))
ax.set(yticks=[], xlim=(anual.index.year[0] - 0.5, anual.index.year[-1] + 0.5),
       title=f"{LOCALITATE}: temperatura medie anuală față de {REFERINTA[0]}–{REFERINTA[1]}")
ax.grid(False)
fig.colorbar(plt.cm.ScalarMappable(norm=norm, cmap="RdBu_r"), ax=ax, pad=0.01, label="°C")
plt.show()

top5 = ", ".join(f"{an.year} ({v:+.1f} °C)" for an, v in abatere.nlargest(5).items())
print("Cei mai calzi 5 ani:", top5)

Cei mai calzi 5 ani: 2024 (+2.2 °C), 2023 (+1.6 °C), 2019 (+1.5 °C), 2025 (+1.2 °C), 2018 (+1.2 °C)

Anul curent față de „normal”¶

Pentru fiecare zi a anului calculăm, din perioada de referință, mediana temperaturii maxime și intervalul în care cad 80 % din ani (percentilele 10–90). Peste această bandă desenăm anul în curs.

In [9]:

Copied!





ref = zilnic.loc[REFERINTA[0]:REFERINTA[1], "max_temp"]
clima = ref.groupby(ref.index.dayofyear).quantile([0.1, 0.5, 0.9]).unstack()
clima = clima.rolling(15, center=True, min_periods=1).mean()      # netezire de 15 zile
acest_an = zilnic.loc[str(ultima_zi.year), "max_temp"]

fig, ax = plt.subplots(figsize=(12, 4.5))
ax.fill_between(clima.index, clima[0.1], clima[0.9], color="0.85",
                label="80 % din anii de referință")
ax.plot(clima.index, clima[0.5], color="0.4", lw=1.5,
        label=f"mediana {REFERINTA[0]}–{REFERINTA[1]}")
ax.plot(acest_an.index.dayofyear, acest_an, color=ACCENT, lw=1.2, label=str(ultima_zi.year))
inceput_luni = pd.date_range("2001-01-01", periods=12, freq="MS").dayofyear
ax.set(xticks=inceput_luni, xticklabels=LUNI, ylabel="temperatura maximă zilnică (°C)",
       title=f"{LOCALITATE}: anul {ultima_zi.year} față de normala climatică")
ax.legend(loc="upper left", frameon=False)
plt.show()
ref = zilnic.loc[REFERINTA[0]:REFERINTA[1], "max_temp"]
clima = ref.groupby(ref.index.dayofyear).quantile([0.1, 0.5, 0.9]).unstack()
clima = clima.rolling(15, center=True, min_periods=1).mean()      # netezire de 15 zile
acest_an = zilnic.loc[str(ultima_zi.year), "max_temp"]

fig, ax = plt.subplots(figsize=(12, 4.5))
ax.fill_between(clima.index, clima[0.1], clima[0.9], color="0.85",
                label="80 % din anii de referință")
ax.plot(clima.index, clima[0.5], color="0.4", lw=1.5,
        label=f"mediana {REFERINTA[0]}–{REFERINTA[1]}")
ax.plot(acest_an.index.dayofyear, acest_an, color=ACCENT, lw=1.2, label=str(ultima_zi.year))
inceput_luni = pd.date_range("2001-01-01", periods=12, freq="MS").dayofyear
ax.set(xticks=inceput_luni, xticklabels=LUNI, ylabel="temperatura maximă zilnică (°C)",
       title=f"{LOCALITATE}: anul {ultima_zi.year} față de normala climatică")
ax.legend(loc="upper left", frameon=False)
plt.show()

Zile tropicale și zile cu îngheț¶

Doi indicatori climatici standard (definiți de ETCCDI): zile de vară cu maxima ≥ 30 °C și zile cu îngheț cu minima < 0 °C. Le numărăm pe fiecare an și suprapunem media mobilă pe 10 ani, ca să se vadă tendința dincolo de variația de la an la an.

In [10]:

Copied!





ani = pd.DataFrame({
    "zile tropicale (Tmax ≥ 30 °C)": (zilnic["max_temp"] >= 30).resample("YS").sum(),
    "zile cu îngheț (Tmin < 0 °C)": (zilnic["min_temp"] < 0).resample("YS").sum(),
})
ani = ani[ani.index.year < ultima_zi.year]

fig, axes = plt.subplots(1, 2, figsize=(12, 4), sharex=True)
for ax, col, culoare in zip(axes, ani.columns, ["#c0392b", "#2c6fbb"]):
    ax.bar(ani.index.year, ani[col], color=culoare, alpha=0.45, width=0.8)
    ax.plot(ani.index.year, ani[col].rolling(10, center=True).mean(), color=culoare, lw=2.2)
    ax.set(title=col, ylabel="zile / an")
plt.tight_layout(); plt.show()

print("Media anuală 1961–1990:", ani["1961":"1990"].mean().round(0).to_dict())
print(f"Media anuală {REFERINTA[0]}–{REFERINTA[1]}:",
      ani[REFERINTA[0]:REFERINTA[1]].mean().round(0).to_dict())
ani = pd.DataFrame({
    "zile tropicale (Tmax ≥ 30 °C)": (zilnic["max_temp"] >= 30).resample("YS").sum(),
    "zile cu îngheț (Tmin < 0 °C)": (zilnic["min_temp"] < 0).resample("YS").sum(),
})
ani = ani[ani.index.year < ultima_zi.year]

fig, axes = plt.subplots(1, 2, figsize=(12, 4), sharex=True)
for ax, col, culoare in zip(axes, ani.columns, ["#c0392b", "#2c6fbb"]):
    ax.bar(ani.index.year, ani[col], color=culoare, alpha=0.45, width=0.8)
    ax.plot(ani.index.year, ani[col].rolling(10, center=True).mean(), color=culoare, lw=2.2)
    ax.set(title=col, ylabel="zile / an")
plt.tight_layout(); plt.show()

print("Media anuală 1961–1990:", ani["1961":"1990"].mean().round(0).to_dict())
print(f"Media anuală {REFERINTA[0]}–{REFERINTA[1]}:",
      ani[REFERINTA[0]:REFERINTA[1]].mean().round(0).to_dict())

Media anuală 1961–1990: {'zile tropicale (Tmax ≥ 30 °C)': 26.0, 'zile cu îngheț (Tmin < 0 °C)': 90.0}
Media anuală 1991–2020: {'zile tropicale (Tmax ≥ 30 °C)': 44.0, 'zile cu îngheț (Tmin < 0 °C)': 83.0}

Sezonul fără îngheț¶

Pentru agricultură contează cât durează intervalul dintre ultimul îngheț de primăvară și primul îngheț de toamnă. Îl calculăm din datele zilnice: ultima zi cu minima sub 0 °C din prima jumătate a anului și prima astfel de zi din a doua jumătate.

In [11]:

Copied!





zile_inghet = pd.Series(zilnic.index[zilnic["min_temp"] < 0])
primavara = zile_inghet[zile_inghet.dt.month <= 6]
toamna = zile_inghet[zile_inghet.dt.month >= 7]
ultim_inghet = primavara.groupby(primavara.dt.year).max().dt.dayofyear
prim_inghet = toamna.groupby(toamna.dt.year).min().dt.dayofyear
sezon = (prim_inghet - ultim_inghet).loc[: ultima_zi.year - 1]

fig, ax = plt.subplots(figsize=(12, 3.5))
ax.plot(sezon.index, sezon, color=ACCENT, lw=1, alpha=0.6)
ax.plot(sezon.index, sezon.rolling(10, center=True).mean(), color=ACCENT, lw=2.5)
ax.set(ylabel="zile",
       title=f"{LOCALITATE}: lungimea sezonului fără îngheț (linia groasă = media pe 10 ani)")
plt.show()
zile_inghet = pd.Series(zilnic.index[zilnic["min_temp"] < 0])
primavara = zile_inghet[zile_inghet.dt.month <= 6]
toamna = zile_inghet[zile_inghet.dt.month >= 7]
ultim_inghet = primavara.groupby(primavara.dt.year).max().dt.dayofyear
prim_inghet = toamna.groupby(toamna.dt.year).min().dt.dayofyear
sezon = (prim_inghet - ultim_inghet).loc[: ultima_zi.year - 1]

fig, ax = plt.subplots(figsize=(12, 3.5))
ax.plot(sezon.index, sezon, color=ACCENT, lw=1, alpha=0.6)
ax.plot(sezon.index, sezon.rolling(10, center=True).mean(), color=ACCENT, lw=2.5)
ax.set(ylabel="zile",
       title=f"{LOCALITATE}: lungimea sezonului fără îngheț (linia groasă = media pe 10 ani)")
plt.show()

Precipitațiile¶

Trei întrebări despre ploi, fiecare într-un panou: cât plouă pe an (față de normala de referință), cea mai ploioasă zi din fiecare an și cea mai lungă perioadă secetoasă (zile consecutive cu sub 1 mm).

In [12]:

Copied!





uscat = zilnic["precipitation"] < 1
episod = (~uscat).cumsum()                        # fiecare zi ploioasă începe un episod nou
zile_secetoase = uscat.groupby(episod).cumsum()   # câte zile uscate la rând, până în ziua curentă

ploi = pd.DataFrame({
    "total anual (mm)": zilnic["precipitation"].resample("YS").sum(),
    "maximul zilnic (mm)": zilnic["precipitation"].resample("YS").max(),
    "cea mai lungă perioadă secetoasă (zile)": zile_secetoase.resample("YS").max(),
})
ploi = ploi[ploi.index.year < ultima_zi.year]
normala = ploi.loc[REFERINTA[0]:REFERINTA[1], "total anual (mm)"].mean()

fig, axes = plt.subplots(3, 1, figsize=(12, 9), sharex=True)
culori = np.where(ploi["total anual (mm)"] >= normala, "#2c6fbb", "#c98a1b")
axes[0].bar(ploi.index.year, ploi["total anual (mm)"], color=culori, width=0.8)
axes[0].axhline(normala, color="0.3", lw=1, ls="--")
axes[0].set(title=f"total anual — albastru: peste normala de {normala:.0f} mm, ocru: sub",
            ylabel="mm")
axes[1].bar(ploi.index.year, ploi["maximul zilnic (mm)"], color="#2c6fbb", width=0.8)
axes[1].set(title="cea mai ploioasă zi a anului", ylabel="mm")
axes[2].bar(ploi.index.year, ploi["cea mai lungă perioadă secetoasă (zile)"], color="#c98a1b",
            width=0.8)
axes[2].set(title="cea mai lungă perioadă secetoasă (zile consecutive cu < 1 mm)",
            ylabel="zile")
plt.tight_layout(); plt.show()
uscat = zilnic["precipitation"] < 1
episod = (~uscat).cumsum()                        # fiecare zi ploioasă începe un episod nou
zile_secetoase = uscat.groupby(episod).cumsum()   # câte zile uscate la rând, până în ziua curentă

ploi = pd.DataFrame({
    "total anual (mm)": zilnic["precipitation"].resample("YS").sum(),
    "maximul zilnic (mm)": zilnic["precipitation"].resample("YS").max(),
    "cea mai lungă perioadă secetoasă (zile)": zile_secetoase.resample("YS").max(),
})
ploi = ploi[ploi.index.year < ultima_zi.year]
normala = ploi.loc[REFERINTA[0]:REFERINTA[1], "total anual (mm)"].mean()

fig, axes = plt.subplots(3, 1, figsize=(12, 9), sharex=True)
culori = np.where(ploi["total anual (mm)"] >= normala, "#2c6fbb", "#c98a1b")
axes[0].bar(ploi.index.year, ploi["total anual (mm)"], color=culori, width=0.8)
axes[0].axhline(normala, color="0.3", lw=1, ls="--")
axes[0].set(title=f"total anual — albastru: peste normala de {normala:.0f} mm, ocru: sub",
            ylabel="mm")
axes[1].bar(ploi.index.year, ploi["maximul zilnic (mm)"], color="#2c6fbb", width=0.8)
axes[1].set(title="cea mai ploioasă zi a anului", ylabel="mm")
axes[2].bar(ploi.index.year, ploi["cea mai lungă perioadă secetoasă (zile)"], color="#c98a1b",
            width=0.8)
axes[2].set(title="cea mai lungă perioadă secetoasă (zile consecutive cu < 1 mm)",
            ylabel="zile")
plt.tight_layout(); plt.show()

Calendarul anomaliilor lunare¶

O vedere de ansamblu a tuturor celor 65 de ani: fiecare celulă este o lună, colorată după cât a fost mai caldă sau mai rece decât aceeași lună din perioada de referință.

In [13]:

Copied!





lunar = zilnic["temp_medie"].resample("MS").mean()
lunar = lunar[lunar.index < ultima_zi.to_period("M").start_time]   # doar luni complete
referinta = lunar[REFERINTA[0]:REFERINTA[1]]
normala_lunara = referinta.groupby(referinta.index.month).mean()
abateri = lunar - normala_lunara.reindex(lunar.index.month).values
tabel = (abateri.to_frame("v").assign(an=abateri.index.year, luna=abateri.index.month)
         .pivot(index="an", columns="luna", values="v"))

fig, ax = plt.subplots(figsize=(7, 13))
im = ax.pcolormesh(tabel.columns, tabel.index, tabel.values, cmap="RdBu_r", vmin=-4, vmax=4)
ax.set(xticks=range(1, 13), xticklabels=LUNI,
       title=f"{LOCALITATE}: abaterea lunară față de {REFERINTA[0]}–{REFERINTA[1]}")
ax.invert_yaxis(); ax.grid(False)
fig.colorbar(im, ax=ax, label="°C", shrink=0.5)
plt.show()
lunar = zilnic["temp_medie"].resample("MS").mean()
lunar = lunar[lunar.index < ultima_zi.to_period("M").start_time]   # doar luni complete
referinta = lunar[REFERINTA[0]:REFERINTA[1]]
normala_lunara = referinta.groupby(referinta.index.month).mean()
abateri = lunar - normala_lunara.reindex(lunar.index.month).values
tabel = (abateri.to_frame("v").assign(an=abateri.index.year, luna=abateri.index.month)
         .pivot(index="an", columns="luna", values="v"))

fig, ax = plt.subplots(figsize=(7, 13))
im = ax.pcolormesh(tabel.columns, tabel.index, tabel.values, cmap="RdBu_r", vmin=-4, vmax=4)
ax.set(xticks=range(1, 13), xticklabels=LUNI,
       title=f"{LOCALITATE}: abaterea lunară față de {REFERINTA[0]}–{REFERINTA[1]}")
ax.invert_yaxis(); ax.grid(False)
fig.colorbar(im, ax=ax, label="°C", shrink=0.5)
plt.show()

Tabelul anual, pentru Excel sau QGIS¶

Toți indicatorii de mai sus, un rând pe an, într-un fișier CSV pe care îl puteți deschide oriunde.

In [14]:

Copied!





rezumat = pd.concat([anual.rename("temperatura medie (°C)").round(2), ani, ploi.round(1)], axis=1)
rezumat.index = rezumat.index.year
rezumat.index.name = "an"
rezumat.to_csv(f"clima_{LOCALITATE}.csv")
rezumat.tail(10)
rezumat = pd.concat([anual.rename("temperatura medie (°C)").round(2), ani, ploi.round(1)], axis=1)
rezumat.index = rezumat.index.year
rezumat.index.name = "an"
rezumat.to_csv(f"clima_{LOCALITATE}.csv")
rezumat.tail(10)

Out[14]:

	temperatura medie (°C)	zile tropicale (Tmax ≥ 30 °C)	zile cu îngheț (Tmin < 0 °C)	total anual (mm)	maximul zilnic (mm)	cea mai lungă perioadă secetoasă (zile)
an
2016	12.38	37	71	808.299988	60.900002	18
2017	12.55	57	73	500.100006	28.900000	20
2018	13.46	56	67	554.900024	36.200001	32
2019	13.70	57	65	475.600006	24.700001	25
2020	13.02	50	61	540.400024	51.900002	31
2021	12.63	61	72	542.000000	40.700001	20
2022	13.31	65	82	475.600006	25.200001	31
2023	13.79	51	50	685.599976	34.000000	19
2024	14.44	78	64	435.899994	25.299999	30
2025	13.46	72	63	321.799988	25.700001	34

Ce urmează¶

Clima României pe hartă — aceleași date, pentru toată țara deodată, cu un cluster Dask pornit din platformă.
Schimbați LOCALITATE cu orice oraș sau comună și rulați din nou: tot caietul se reface în circa un minut.
Sursa datelor: Administrația Națională de Meteorologie (© MeteoRomania), set publicat pe data.gov.ro și re-gridat de Universitatea de Vest din Timișoara. Citați ANM în orice lucrare bazată pe aceste date.