4

我有类似于下面示例的大型 csv 流量数据文件，我需要为此计算总字节数和每次数据传输的持续时间。时间范围重叠，但必须合并：

first_packet_ts last_packet_ts  bytes_uplink bytes_downlink service    user_id
1441901695012   1441901696009       165             1212    facebook    3
1441901695500   1441901696212        23             4321    facebook    3
1441901698000   1441901698010       242             3423    youtube     4
1441901698400   1441901698500       423             2344    youtube     4

期望的输出：

 duration     bytes_uplink      bytes_downlink    service          user_id
   1200             188             5533          facebook            3
   110              665             5767          youtube             4

我目前使用类似以下几行的内容：

df = pd.read_csv(input_file_path)
df = df.groupby(['service', 'user_id'])
durations = df.apply(calculate_duration) 
df = df[['bytes_uplink', 'bytes_downlink']].sum()
df = df.reset_index()

calculate_duration 函数（如下）迭代每个组的内容，合并重叠的时间间隔，然后返回一个数据帧，然后将其连接到求和的数据帧 df。

def calculate_duration(group):
    ranges = group[['first_packet_ts', 'last_packet_ts']].itertuples()
    duration = 0
    for i,current_start, current_stop in ranges:
        for i, start, stop in ranges:
            if start > current_stop:
                duration += current_stop - current_start
                current_start, current_stop = start, stop
            else:
                current_stop = max(current_stop, stop)
        duration += current_stop - current_start
    return duration

这种方法非常慢，因为它涉及迭代并为每个组调用 apply 方法。

有没有更有效的方法来计算数据传输的持续时间，合并重叠间隔，使用 pandas（以某种方式避免迭代？）最好不求助于 cython？

4

2 回答 2

1

这个怎么样？（已经计时了，可能会慢一些......）

pd.pivot_table(df, columns='user_id', index='service',
               values=['bytes_uplink', 'bytes_downlink'], aggfunc=sum)

编辑：我不认为这比你的更有效，但你可以尝试以下方法：

# create dummy start/end dataframe
df = pd.DataFrame({'end':pd.Series([50, 100, 120, 150]), 'start':pd.Series([30, 0, 40, 130])})
df = df[['start', 'end']]
df = df.sort('start')

df['roll_end'] = df.end.cummax()
df.roll_end = df.roll_end.shift()

df['new_start'] = df.start
overlap = df.start - df.roll_end < 0
# if start is before rolling max end time then reset start to rolling max end time
df.new_start[overlap] = df.roll_end[overlap]

# if the new start is after end, then completely overlapping
print np.sum([x for x in df.end - df.new_start if x > 0])
于 2015-09-11T14:51:14.737 回答
0

下面的代码根据示例数据重现了您的输出。那是你要找的吗？

>>> df.groupby(['service', 'user_id'])['bytes_uplink', 'bytes_downlink'].sum().reset_index()
    service  user_id  bytes_uplink  bytes_downlink
0  facebook        3           188            5533
1   youtube        4           665            5767
于 2015-09-12T18:13:59.553 回答