Как я могу наложить свой контурный график на базовую карту

Вы почти закончили, но Basemap может быть темпераментным, и вам нужно управлять z-порядком графиков/деталей карты. Кроме того, вы должны преобразовать координаты долготы и широты в координаты картографической проекции, прежде чем строить их с помощью базовой карты.

Вот полное решение, которое дает следующий результат. Я изменил некоторые цвета и толщину линий, чтобы сделать текст более разборчивым, YMMV. Я также масштабировал размер точек разброса по нормализованному «среднему» значению (data['Z']) — вы можете просто удалить его и заменить, например. 50, если вы предпочитаете постоянный размер (он будет выглядеть как самый большой маркер).

Пожалуйста, укажите также единицы количества осадков и продолжительность измерения, в результате которого были получены средние значения, если это возможно:

import numpy as np
import pandas as pd
from matplotlib.mlab import griddata
from mpl_toolkits.basemap import Basemap
import matplotlib.pyplot as plt
from matplotlib.colors import Normalize
%matplotlib inline

# set up plot
plt.clf()
fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, axisbg='w', frame_on=False)

# grab data
data = pd.read_csv('../../data/meansr.txt', delim_whitespace=True)
norm = Normalize()

# define map extent
lllon = 21
lllat = -18
urlon = 34
urlat = -8

# Set up Basemap instance
m = Basemap(
    projection = 'merc',
    llcrnrlon = lllon, llcrnrlat = lllat, urcrnrlon = urlon, urcrnrlat = urlat,
    resolution='h')

# transform lon / lat coordinates to map projection
data['projected_lon'], data['projected_lat'] = m(*(data.Lon.values, data.Lat.values))

# grid data
numcols, numrows = 1000, 1000
xi = np.linspace(data['projected_lon'].min(), data['projected_lon'].max(), numcols)
yi = np.linspace(data['projected_lat'].min(), data['projected_lat'].max(), numrows)
xi, yi = np.meshgrid(xi, yi)

# interpolate
x, y, z = data['projected_lon'].values, data['projected_lat'].values, data.Z.values
zi = griddata(x, y, z, xi, yi)

# draw map details
m.drawmapboundary(fill_color = 'white')
m.fillcontinents(color='#C0C0C0', lake_color='#7093DB')
m.drawcountries(
    linewidth=.75, linestyle='solid', color='#000073',
    antialiased=True,
    ax=ax, zorder=3)

m.drawparallels(
    np.arange(lllat, urlat, 2.),
    color = 'black', linewidth = 0.5,
    labels=[True, False, False, False])
m.drawmeridians(
    np.arange(lllon, urlon, 2.),
    color = '0.25', linewidth = 0.5,
    labels=[False, False, False, True])

# contour plot
con = m.contourf(xi, yi, zi, zorder=4, alpha=0.6, cmap='RdPu')
# scatter plot
m.scatter(
    data['projected_lon'],
    data['projected_lat'],
    color='#545454',
    edgecolor='#ffffff',
    alpha=.75,
    s=50 * norm(data['Z']),
    cmap='RdPu',
    ax=ax,
    vmin=zi.min(), vmax=zi.max(), zorder=4)

# add colour bar and title
# add colour bar, title, and scale
cbar = plt.colorbar(conf, orientation='horizontal', fraction=.057, pad=0.05)
cbar.set_label("Mean Rainfall - mm")

m.drawmapscale(
    24., -9., 28., -13,
    100,
    units='km', fontsize=10,
    yoffset=None,
    barstyle='fancy', labelstyle='simple',
    fillcolor1='w', fillcolor2='#000000',
    fontcolor='#000000',
    zorder=5)

plt.title("Mean Rainfall")
plt.savefig("rainfall.png", format="png", dpi=300, transparent=True)
plt.show()

Использование метода griddata из matplotlib удобно, но также может быть медленным. В качестве альтернативы вы можете использовать griddata scipy. методы, которые быстрее и гибче:

from scipy.interpolate import griddata as gd

zi = gd(
    (data[['projected_lon', 'projected_lat']]),
    data.Z.values,
    (xi, yi),
    method='linear')

Если вы используете метод griddata scipy, вам также нужно будет определить, какой из методов (nearest, linear, cubic) дает наилучший результирующий график.

Я должен добавить, что методы интерполяции, продемонстрированные и обсужденные выше, являются самыми простыми из возможных и не обязательно применимы для интерполяции данных об осадках. Эта статья дает хороший обзор допустимых подходов и соображений для использования в гидрологии и гидрологическом моделировании. Реализация их (вероятно, с использованием Scipy) остается в качестве упражнения и т. д.

У меня не все установлено здесь для запуска вашего кода, но вы должны попробовать построить базовую карту m, которую вы создали, например:

# fig = plt.figure(figsize=(10,8)) # omit this at line 28

(...)

m.contourf(xi, yi, zi)
m.scatter(data.Lon, data.Lat, c=data.Z, s=100,
   vmin=zi.min(), vmax=zi.max())

(пожалуйста, сообщите, если это не работает)