從帶時間戳的流量計數器創建摘要統計信息

Question

我正在收集一個特殊用例的交通信息，我有約。 每10分鍾（但不完全是）流量計數器的帶時間戳的值，例如：

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

這是我擁有的數據，我無法改進。

我想從這個輸入中產生一些每小時/每日統計數據，你能在python中建議一些現成的函數或算法嗎？

我正在考慮將帶時間戳的計數器分成幾小時，並將小時的第一個時間戳與最后一個時間戳相比較，並將差異顯示為給定小時內的流量，但是因為這可能不是精確地以小時開始（例如，以上數據，從120 @ 12:05開始），它可能完全關閉，並且也可以按比例包括先前的數據（例如（（120-110）/ 9）* 5）。 但是我不想重新發明輪子。

- 更新 -

根據以下建議，我調查了大熊貓並制作了以下代碼。 作為對上述書面背景的澄清，時間戳值是二級的並且在一分鍾內不規則地分布（例如，11：45：03,11：56：34等）。 因此，下面的代碼接受輸入，將其重新索引到第二級，執行線性插值（假設流量均勻分布在測量點之間），減少第一個和最后一個小數分鍾（如果第一個數據點是11:45） ：03，它沒有被前3秒的缺失扭曲）並將第二級數據重新采樣到分鍾級別。 現在這已經按預期工作了，但是它非常慢，我想由於二級插值，因為數據總共超過幾個月。 有關如何進一步改進或加快代碼的任何想法？

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

如果我理解你的問題可能會有所幫助：

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看起來像這樣：

                 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

現在你可以計算每個區間的長度，並找到每小時平均值：

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  

輸出：

                 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

考慮到一些時段跨越一個小時，我認為一種解決方案是將頻率更改為分鍾，向后填充所有nan值，然后使用平均值計算每小時重新采樣：

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

輸出：

                          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

現在我認為havg值是coorect，as

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