年度和月度的数据可以通过汇总日度的得到，这里就不再提供了～
前不久给大家分享了使用 R 语言爬取 GSOD 气象站点数据的方法：
使用 R 语言爬取 1929～2023 年 GSOD 气象站点数据：https://rstata.duanshu.com/#/brief/course/d4d95d88409e47cb91fbf6d165a8444c
并且给大家分享了 GSOD 气象站点数据：
1929～2024 年 GSOD 气象站点数据：https://rstata.duanshu.com/#/brief/course/11c8a61e460c4f81a68435305310d63d
最近我仿照之前处理气象数据的方法处理了 平均气温、最高气温和最低气温 数据，也就是首先把气象站点的数据按照 IDW 方法插值成 0.1˚x0.1˚ 分辨率的栅格数据，然后再分区域平均得到各省市区县的年度、月度和日度数据，具体处理细节如下：
考虑到过早年份数据中的气象站点过少，仅仅处理了 1973 年至今的数据。
以 2023 年 4 月 18 日平均气温的处理为例，首先是该天所有气象站点的数据：
使用 IDW 法插值得到的栅格数据（这里展示的是 2022 年年度平均的）：
栅格数据分区域汇总就可以得到省市区县的数据了，例如区县的：
按照上面的处理思路循环处理 1973年1月1日～2024年12月31日的数据即可各省市区县分年、分月、逐日的平均气温、最高气温和最低气温了，为了方便大家的使用，我把数据保存成了 xslx 格式的：
每份数据都包含各级行政区划代码，方便大家和其他数据集进行匹配，作为参考，下图展示了 2021 年 8 月 1 日各城市平均气温数据：
2022 年 6 月各省份平均气温：
由于这次处理过程中生成了栅格数据，所以附件中也有每天的栅格数据。
最后的这个图展示了 1973～2024 年中国各省市年平均气温的变化：
注意事项
由于平均气温可能受到地形、植被、水文、人类活动等因素的影响，因此使用上文所说的方法计算得到的各区域均值可能与实际值有所偏差； 虽然上文中的图只展示了平均气温，实际上附件中的数据里还有最高气温和最低气温； 这里气温的单位是 摄氏度。
处理方法
感兴趣的小伙伴可以参考这个课程学习：
气象数据是如何处理的？以降水量为例：https://rstata.duanshu.com/#/brief/course/1e0611cbef2d46afb534240f136380a3
获取数据
是不是感觉很硬核！欢迎报名 RStata 培训班获取全部课程和以会员价获取数据资料（10元/份）详情可阅读这篇推文：数据处理、图表绘制、效率分析与计量经济学如何学习～
详情可点击阅读原文进入 RStata 学院了解（从首页的会员卡专区即可查看和购买会员卡）。
更多关于 RStata 培训班的信息可添加微信号 r_stata 咨询：
附件下载（点击文末的阅读原文即可跳转）：
https://rstata.duanshu.com/#/brief/course/e02d4225b66a4fafa9663a4590e6d241
