从带时间戳的流量计数器创建摘要统计信息

Question

我正在收集一个特殊用例的交通信息，我有约。 每10分钟（但不完全是）流量计数器的带时间戳的值，例如：

11:45 100
11:56 110
12:05 120
12:18 130
...

这是我拥有的数据，我无法改进。

我想从这个输入中产生一些每小时/每日统计数据，你能在python中建议一些现成的函数或算法吗？

我正在考虑将带时间戳的计数器分成几小时，并将小时的第一个时间戳与最后一个时间戳相比较，并将差异显示为给定小时内的流量，但是因为这可能不是精确地以小时开始（例如，以上数据，从120 @ 12:05开始），它可能完全关闭，并且也可以按比例包括先前的数据（例如（（120-110）/ 9）* 5）。 但是我不想重新发明轮子。

- 更新 -

根据以下建议，我调查了大熊猫并制作了以下代码。 作为对上述书面背景的澄清，时间戳值是二级的并且在一分钟内不规则地分布（例如，11：45：03,11：56：34等）。 因此，下面的代码接受输入，将其重新索引到第二级，执行线性插值（假设流量均匀分布在测量点之间），减少第一个和最后一个小数分钟（如果第一个数据点是11:45） ：03，它没有被前3秒的缺失扭曲）并将第二级数据重新采样到分钟级别。 现在这已经按预期工作了，但是它非常慢，我想由于二级插值，因为数据总共超过几个月。 有关如何进一步改进或加快代码的任何想法？

import datetime
import pandas as pd
import numpy as np
import math

COLUMNS = ['date', 'lan_in', 'inet_in', 'lan_out', 'inet_out']

ts_converter = lambda x: datetime.datetime.fromtimestamp(int(x))
td = pd.read_table("traffic_log",
                   names = COLUMNS,
                   delim_whitespace = True,
                   header = None,
                   converters = { 'date' : ts_converter }).set_index('date')

# reindex to second-level data
td = td.reindex(pd.date_range(min(td.index), max(td.index), freq="s"))
# linear interpolation to fill data for all seconds
td = td.apply(pd.Series.interpolate)
# cut first and last fractional minute data
td = td[pd.Timestamp(long(math.ceil(td.index.min().value/(1e9*60))*1e9*60)):
        pd.Timestamp(long(math.floor(td.index.max().value/(1e9*60))*1e9*60))]
# resample to minute-level taking the minimum value for each minute
td = td.resample("t", how="min")
# change absolute values to differences
td = td.apply(pd.Series.diff)
# create daily statistics in gigabytes
ds = td.resample("d", how="sum").apply(lambda v: v/1024/1024/1024)
# create speed columns
for i in COLUMNS[1:]:
    td[i+'_speed'] = td[i] / 60 / 1024

Answer 1

如果我理解你的问题可能会有所帮助：

df = pd.DataFrame( [ ['11:45', 100 ], ['11:56', 110], ['12:05', 120], ['12:18', 130]], 
                   columns=['tick', 'val'] )
df.tick = df.tick.map ( pd.Timestamp )

所以df看起来像这样：

                 tick  val
0 2013-12-10 11:45:00  100
1 2013-12-10 11:56:00  110
2 2013-12-10 12:05:00  120
3 2013-12-10 12:18:00  130

现在你可以计算每个区间的长度，并找到每小时平均值：

df[ 'period' ] = df.tick - df.tick.shift( 1 )
df.period = df.period.div( np.timedelta64( '1', 'h' ) )
df[ 'chval' ] = df.val - df.val.shift( 1 )
df[ 'havg' ] = df.chval / df.period  

输出：

                 tick  val  period  chval     havg
0 2013-12-10 11:45:00  100     NaN    NaN      NaN
1 2013-12-10 11:56:00  110  0.1833     10  54.5455
2 2013-12-10 12:05:00  120  0.1500     10  66.6667
3 2013-12-10 12:18:00  130  0.2167     10  46.1538

考虑到一些时段跨越一个小时，我认为一种解决方案是将频率更改为分钟，向后填充所有nan值，然后使用平均值计算每小时重新采样：

df = df.set_index( 'tick' ).asfreq( freq='T', method='bfill' )
df = df.shift( -1 ).resample( 'h', how='mean' ) 

输出：

                          val  period  chval     havg
2013-12-10 11:00:00  112.6667  0.1744     10  57.7778
2013-12-10 12:00:00  127.2222  0.1981     10  51.8519

现在我认为havg值是coorect，as

( 10 + 10 * 4 / 9 ) / 15 * 60 = 57.7778
(      10 * 5 / 9 + 10 ) / 18 * 60 = 51.8519