1.1. 前言
这边我们使用内存分析框架Pandas来分析每日PV。
1.2. 对Pandas的好评
其实个人对Pandas这个模块是颇有好感。本人用Pandas完成可许多的日常实用的小工具，如生产excel报表，简单数据迁移等等。
对我来说Pandas就是一个内存的MySQL，我通常叫他为 程序式SQL。
1.3. Pandas分析步骤
- 载入数据
- 将 access_time 的日期进行 COUNT。类似如下SQL:
|
1
|
SELECT DATE_FORMAT(access_time, ‘%Y-%m-%d’), count(*) FROM log GROUP BY DATE_FORMAT(access_time, ‘%Y-%m-%d’);
|
1.4. 代码
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
|
cat pd_ng_log_stat.py
#!/usr/bin/env python
#-*- coding: utf-8 -*-
from ng_line_parser import NgLineParser
import pandas as pd
import socket
import struct
class PDNgLogStat(object):
def __init__(self):
self.ng_line_parser = NgLineParser()
def _log_line_iter(self, pathes):
“”“解析文件中的每一行并生成一个迭代器”“”
for path in pathes:
with open(path, ‘r’) as f:
for index, line in enumerate(f):
self.ng_line_parser.parse(line)
yield self.ng_line_parser.to_dict()
def load_data(self, path):
“”“通过给的文件路径加载数据生成 DataFrame”“”
self.df = pd.DataFrame(self._log_line_iter(path))
def pv_day(self):
“”“计算每一天的 PV”“”
group_by_cols = [‘access_time’] # 需要分组的列,只计算和显示该列
# 下面我们是按 yyyy-mm-dd 形式来分组的, 所以需要定义分组策略:
# 分组策略为: self.df[‘access_time’].map(lambda x: x.split()[0])
pv_day_grp = self.df[group_by_cols].groupby(
self.df[‘access_time’].map(lambda x: x.split()[0]))
return pv_day_grp.agg([‘count’])
def main():
file_pathes = [‘www.trustauth.cn.access.log’]
pd_ng_log_stat = PDNgLogStat()
pd_ng_log_stat.load_data(file_pathes)
# 统计每日 pv
print pd_ng_log_stat.pv_day()
if __name__ == ‘__main__’:
main()
|
运行统计和输出结果
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
python pd_ng_log_stat.py
access_time
count
access_time
2016–06–13 4149
2016–06–14 10234
2016–06–15 9825
......
2016–09–16 11076
2016–09–17 10231
2016–09–18 6739
[98 rows x 1 columns]
|
文章转载来自：trustauth.cn
领取优惠
提交成功！