python 可视化监控平台_python可视化篇之流式数据监控的实现
preface
流式數(shù)據(jù)的監(jiān)控，以下主要是從算法的呈現(xiàn)出發(fā)，提供一種python的實(shí)現(xiàn)思路
其中：
1.python是2.X版本
2.提供兩種實(shí)現(xiàn)思路，一是基于matplotlib的animation，一是基于matplotlib的ion
話不多說(shuō)，先了解大概的效果，如下：
一、一點(diǎn)構(gòu)思
在做此流數(shù)據(jù)輸出可視化前，一直在搗鼓nupic框架，其內(nèi)部HTM算法主要是一種智能的異常檢測(cè)算法，是目前AI框架中垂直領(lǐng)域下的一股清流，但由于其實(shí)現(xiàn)的例子對(duì)應(yīng)的流數(shù)據(jù)展示并非我想要的，故此借鑒后自己重新寫(xiě)了一個(gè)，主要是達(dá)到三個(gè)目的，一是展示真實(shí)數(shù)據(jù)的波動(dòng)，二是展示各波動(dòng)的異常得分，三是羅列異常的點(diǎn)。
上述的輸出結(jié)構(gòu)并非重點(diǎn)，重點(diǎn)是其實(shí)時(shí)更新的機(jī)制，了解后即可自行定義。另，js對(duì)于這種流數(shù)據(jù)展示應(yīng)該不難，所以本文主要立足的是算法的呈現(xiàn)角度以及python的實(shí)現(xiàn)。
二、matplotlib animation實(shí)現(xiàn)思路
（一）、骨架與實(shí)時(shí)更新
animation翻譯過(guò)來(lái)就是動(dòng)畫(huà)，其動(dòng)畫(huà)展示核心主要有三個(gè)：1是動(dòng)畫(huà)的骨架先搭好，就是圖像的邊邊框框這些，2是更新的過(guò)程，即傳入實(shí)時(shí)數(shù)據(jù)時(shí)圖形的變化方法，3是FuncAnimation方法結(jié)尾。
下面以一個(gè)小例子做進(jìn)一步說(shuō)明：
1.對(duì)于動(dòng)畫(huà)的骨架：
# initial the figure.
x = []
y = []
fig = plt.figure(figsize=(18, 8), facecolor="white")
ax1 = fig.add_subplot(111)
p1, = ax1.plot(x, y, linestyle="dashed", color="red")
以上分別對(duì)應(yīng)初始化空數(shù)據(jù)，初始化圖形大小和背景顏色，插入子圖（三個(gè)數(shù)字分別表示幾行幾列第幾個(gè)位置），初始化圖形（數(shù)據(jù)為空）。
import numpy as np
x = np.arange(0, 1000, 1)
y = np.random.normal(100, 10, 1000)
隨機(jī)生成一些作圖數(shù)據(jù)，下面定義update過(guò)程。
2.對(duì)于更新過(guò)程：
def update(i):
x.append(xs[i])
y.append(ys[i])
ax1.set_xlim(min(x),max(x)+1)
ax1.set_ylim(min(y),max(y)+1)
p1.set_data(x,y)
ax1.figure.canvas.draw()
return p1
上述定義更新函數(shù)，參數(shù)i為每輪迭代從FuncAnimation方法frames參數(shù)傳進(jìn)來(lái)的數(shù)值，frames參數(shù)的指定下文會(huì)進(jìn)一步說(shuō)，x/y通過(guò)相應(yīng)更新之后，對(duì)圖形的x/y軸大小做相應(yīng)的重設(shè)，再把數(shù)據(jù)通過(guò)set_data傳進(jìn)圖形，注意ax1和p1的區(qū)別，最后再把上述的變化通過(guò)draw()方法繪制到界面上，返回p1給FuncAnimation方法。
3.對(duì)于FuncAnimation方法：
ani = FuncAnimation(fig=fig,func=update,frames=len(xs),interval=1)
plt.show()
FuncAnimation方法主要是與update函數(shù)做交互，將frames參數(shù)對(duì)應(yīng)的數(shù)據(jù)逐條傳進(jìn)update函數(shù)，再由update函數(shù)返回的圖形覆蓋FuncAnimation原先的圖形，fig參數(shù)即為一開(kāi)始對(duì)應(yīng)的參數(shù)，interval為每次更新的時(shí)間間隔，還有其他一些參數(shù)如blit=True控制圖形精細(xì)，當(dāng)界面較多子圖時(shí)，為T(mén)rue可以使得看起來(lái)不會(huì)太卡，關(guān)鍵是frames參數(shù)，下面是官方給出的注釋：
可為迭代數(shù)，可為函數(shù)，也可為空，上面我指定為數(shù)組的長(zhǎng)度，其迭代則從0開(kāi)始到最后該數(shù)值停止。
該例子最終呈現(xiàn)的效果如下：
了解大概的實(shí)現(xiàn)，細(xì)節(jié)就不在這里多說(shuō)了。
（二）、animation的優(yōu)缺點(diǎn)
animation的繪制的結(jié)果相比于下文的ion會(huì)更加的細(xì)膩，主要體現(xiàn)在FuncAnimation方法的一些參數(shù)的控制上。但是缺點(diǎn)也是明顯，就是必須先有指定的數(shù)據(jù)或者指定的數(shù)據(jù)大小，顯然這樣對(duì)于預(yù)先無(wú)法知道數(shù)據(jù)的情況沒(méi)法處理。所以換一種思路，在matplotlib ion打開(kāi)的模式下，每次往模板插入數(shù)據(jù)都會(huì)進(jìn)行相應(yīng)的更新，具體看第二部分。
三、matplotlib ion實(shí)現(xiàn)思路
（一）、實(shí)時(shí)更新
matplotlib ion的實(shí)現(xiàn)也主要是三個(gè)核心，1是打開(kāi)ion，2是實(shí)時(shí)更新機(jī)制，3是呈現(xiàn)在界面上。
1.對(duì)于打開(kāi)ion：
ion全稱(chēng)是 interactive on（交互打開(kāi)），其意為打開(kāi)一個(gè)圖形的交互接口，之后每次繪圖都在之前打開(kāi)的面板上操作，舉個(gè)例子：
import matplotlib.pyplot as plt
plt.ion()
fig = plt.figure()
ax1 = fig.add_subplot(111)
line, = ax1.plot(t, v, linestyle="-", color="r")
打開(kāi)交互接口，初始化圖形。
2.對(duì)于實(shí)時(shí)更新機(jī)制：
import numpy as np
ys = np.random.normal(100, 10, 1000)
def p(a, b):
t.append(a)
v.append(b)
ax1.set_xlim(min(t), max(t) + 1)
ax1.set_ylim(min(v), max(v) + 1)
line.set_data(t, v)
plt.pause(0.001)
ax1.figure.canvas.draw()
for i in xrange(len(ys)):
p(i, ys[i])
隨機(jī)生成一組數(shù)據(jù)，定義作圖函數(shù)p（包含pause表示暫定時(shí)延，最好有，防止界面卡死），傳入數(shù)據(jù)實(shí)時(shí)更新。
3.對(duì)于界面最終呈現(xiàn)
plt.ioff()
plt.show()
ioff是關(guān)閉交互模式，就像open打開(kāi)文件產(chǎn)生的句柄，最好也有個(gè)close關(guān)掉。
最終效果如下：
（二）、ion的優(yōu)缺點(diǎn)
animation可以在細(xì)節(jié)上控制比ion更加細(xì)膩，這也是ion沒(méi)有的一點(diǎn)，但是單就無(wú)需預(yù)先指定數(shù)據(jù)這一點(diǎn)，ion也無(wú)疑是能把流數(shù)據(jù)做得更加好。
四、最后
貼一下兩種方法在最開(kāi)始那種圖的做法，ion我定義成類(lèi)，這樣每次調(diào)用只需穿入?yún)?shù)就可以。
animation版本
# _*_ coding:utf-8 _*_
import os
import csv
import datetime
import matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation
from matplotlib.dates import DateFormatter
import matplotlib.ticker as ticker
# read the file
filePath = os.path.join(os.getcwd(), "data/anomalyDetect_output.csv")
file = open(filePath, "r")
allData = csv.reader(file)
# skip the first three columns
allData.next()
allData.next()
allData.next()
# cache the data
data = [line for line in allData]
# for i in data: print i
# take out the target value
timestamp = [line[0] for line in data]
value = [line[1:] for line in data]
# format the time style 2016-12-01 00:00:00
def timestampFormat(t):
result = datetime.datetime.strptime(t, "%Y-%m-%d %H:%M:%S")
return result
# take out the data
timestamp = map(timestampFormat, timestamp)
value_a = [float(x[0]) for x in value]
predict_a = [float(x[1]) for x in value]
anomalyScore_a = [float(x[2]) for x in value]
# initial the size of the figure
fig = plt.figure(figsize=(18, 8), facecolor="white")
fig.subplots_adjust(left=0.06, right=0.70)
ax1 = fig.add_subplot(2, 1, 1)
ax2 = fig.add_subplot(2, 1, 2)
ax3 = fig.add_axes([0.8, 0.1, 0.2, 0.8], frameon=False)
# initial plot
p1, = ax1.plot_date([], [], fmt="-", color="red", label="actual")
ax1.legend(loc="upper right", frameon=False)
ax1.grid(True)
p2, = ax2.plot_date([], [], fmt="-", color="red", label="anomaly score")
ax2.legend(loc="upper right", frameon=False)
ax2.axhline(0.8, color='black', lw=2)
# add the x/y label
ax2.set_xlabel("date time")
ax2.set_ylabel("anomaly score")
ax1.set_ylabel("value")
# add the table in ax3
col_labels = ["date time", 'actual value', 'predict value', 'anomaly score']
ax3.text(0.05, 0.99, "anomaly value table", size=12)
ax3.set_xticks([])
ax3.set_yticks([])
# axis format
dateFormat = DateFormatter("%m/%d %H:%M")
ax1.xaxis.set_major_formatter(ticker.FuncFormatter(dateFormat))
ax2.xaxis.set_major_formatter(ticker.FuncFormatter(dateFormat))
# define the initial function
def init():
p1.set_data([], [])
p2.set_data([], [])
return p1, p2
# initial data for the update function
x1 = []
x2 = []
x1_2 = []
y1_2 = []
x1_3 = []
y1_3 = []
y1 = []
y2 = []
highlightList = []
turnOn = True
tableValue = [[0, 0, 0, 0]]
# update function
def stream(i):
# update the main graph(contains actual value and predicted value)
# add the data
global turnOn, highlightList, ax3
x1.append(timestamp[i])
y1.append(value_a[i])
# update the axis
minAxis = max(x1) - datetime.timedelta(days=1)
ax1.set_xlim(minAxis, max(x1))
ax1.set_ylim(min(y1), max(y1))
ax1.figure.canvas.draw()
p1.set_data(x1, y1)
# update the anomaly graph(contains anomaly score)
x2.append(timestamp[i])
y2.append(anomalyScore_a[i])
ax2.set_xlim(minAxis, max(x2))
ax2.set_ylim(min(y2), max(y2))
# update the scatter
if anomalyScore_a[i] >= 0.8:
x1_3.append(timestamp[i])
y1_3.append(value_a[i])
ax1.scatter(x1_3, y1_3, s=50, color="black")
# update the high light
if anomalyScore_a[i] >= 0.8:
highlightList.append(i)
turnOn = True
else:
turnOn = False
if len(highlightList) != 0 and turnOn is False:
ax2.axvspan(timestamp[min(highlightList)] - datetime.timedelta(minutes=10),
timestamp[max(highlightList)] + datetime.timedelta(minutes=10),
color='r',
edgecolor=None,
alpha=0.2)
highlightList = []
turnOn = True
p2.set_data(x2, y2)
# add the table in ax3
# update the anomaly tabel
if anomalyScore_a[i] >= 0.8:
ax3.remove()
ax3 = fig.add_axes([0.8, 0.1, 0.2, 0.8], frameon=False)
ax3.text(0.05, 0.99, "anomaly value table", size=12)
ax3.set_xticks([])
ax3.set_yticks([])
tableValue.append([timestamp[i].strftime("%Y-%m-%d %H:%M:%S"), value_a[i], predict_a[i], anomalyScore_a[i]])
if len(tableValue) >= 40: tableValue.pop(0)
ax3.table(cellText=tableValue, colWidths=[0.35] * 4, colLabels=col_labels, loc=1, cellLoc="center")
return p1, p2
# main animated function
anim = FuncAnimation(fig, stream, init_func=init, frames=len(timestamp), interval=0)
plt.show()
file.close()
ion版本
#! /usr/bin/python
import os
import csv
import datetime
import matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation
from matplotlib.dates import DateFormatter
import matplotlib.ticker as ticker
class streamDetectionPlot(object):
"""
Anomaly plot output.
"""
# initial the figure parameters.
def __init__(self):
# Turn matplotlib interactive mode on.
plt.ion()
# initial the plot variable.
self.timestamp = []
self.actualValue = []
self.predictValue = []
self.anomalyScore = []
self.tableValue = [[0, 0, 0, 0]]
self.highlightList = []
self.highlightListTurnOn = True
self.anomalyScoreRange = [0, 1]
self.actualValueRange = [0, 1]
self.predictValueRange = [0, 1]
self.timestampRange = [0, 1]
self.anomalyScatterX = []
self.anomalyScatterY = []
# initial the figure.
global fig
fig = plt.figure(figsize=(18, 8), facecolor="white")
fig.subplots_adjust(left=0.06, right=0.70)
self.actualPredictValueGraph = fig.add_subplot(2, 1, 1)
self.anomalyScoreGraph = fig.add_subplot(2, 1, 2)
self.anomalyValueTable = fig.add_axes([0.8, 0.1, 0.2, 0.8], frameon=False)
# define the initial plot method.
def initPlot(self):
# initial two lines of the actualPredcitValueGraph.
self.actualLine, = self.actualPredictValueGraph.plot_date(self.timestamp, self.actualValue, fmt="-",
color="red", label="actual value")
self.predictLine, = self.actualPredictValueGraph.plot_date(self.timestamp, self.predictValue, fmt="-",
color="blue", label="predict value")
self.actualPredictValueGraph.legend(loc="upper right", frameon=False)
self.actualPredictValueGraph.grid(True)
# initial two lines of the anomalyScoreGraph.
self.anomalyScoreLine, = self.anomalyScoreGraph.plot_date(self.timestamp, self.anomalyScore, fmt="-",
color="red", label="anomaly score")
self.anomalyScoreGraph.legend(loc="upper right", frameon=False)
self.baseline = self.anomalyScoreGraph.axhline(0.8, color='black', lw=2)
# set the x/y label of the first two graph.
self.anomalyScoreGraph.set_xlabel("datetime")
self.anomalyScoreGraph.set_ylabel("anomaly score")
self.actualPredictValueGraph.set_ylabel("value")
# configure the anomaly value table.
self.anomalyValueTableColumnsName = ["timestamp", "actual value", "expect value", "anomaly score"]
self.anomalyValueTable.text(0.05, 0.99, "Anomaly Value Table", size=12)
self.anomalyValueTable.set_xticks([])
self.anomalyValueTable.set_yticks([])
# axis format.
self.dateFormat = DateFormatter("%m/%d %H:%M")
self.actualPredictValueGraph.xaxis.set_major_formatter(ticker.FuncFormatter(self.dateFormat))
self.anomalyScoreGraph.xaxis.set_major_formatter(ticker.FuncFormatter(self.dateFormat))
# define the output method.
def anomalyDetectionPlot(self, timestamp, actualValue, predictValue, anomalyScore):
# update the plot value of the graph.
self.timestamp.append(timestamp)
self.actualValue.append(actualValue)
self.predictValue.append(predictValue)
self.anomalyScore.append(anomalyScore)
# update the x/y range.
self.timestampRange = [min(self.timestamp), max(self.timestamp)+datetime.timedelta(minutes=10)]
self.actualValueRange = [min(self.actualValue), max(self.actualValue)+1]
self.predictValueRange = [min(self.predictValue), max(self.predictValue)+1]
# update the x/y axis limits
self.actualPredictValueGraph.set_ylim(
min(self.actualValueRange[0], self.predictValueRange[0]),
max(self.actualValueRange[1], self.predictValueRange[1])
)
self.actualPredictValueGraph.set_xlim(
self.timestampRange[1] - datetime.timedelta(days=1),
self.timestampRange[1]
)
self.anomalyScoreGraph.set_xlim(
self.timestampRange[1]- datetime.timedelta(days=1),
self.timestampRange[1]
)
self.anomalyScoreGraph.set_ylim(
self.anomalyScoreRange[0],
self.anomalyScoreRange[1]
)
# update the two lines of the actualPredictValueGraph.
self.actualLine.set_xdata(self.timestamp)
self.actualLine.set_ydata(self.actualValue)
self.predictLine.set_xdata(self.timestamp)
self.predictLine.set_ydata(self.predictValue)
# update the line of the anomalyScoreGraph.
self.anomalyScoreLine.set_xdata(self.timestamp)
self.anomalyScoreLine.set_ydata(self.anomalyScore)
# update the scatter.
if anomalyScore >= 0.8:
self.anomalyScatterX.append(timestamp)
self.anomalyScatterY.append(actualValue)
self.actualPredictValueGraph.scatter(
self.anomalyScatterX,
self.anomalyScatterY,
s=50,
color="black"
)
# update the highlight of the anomalyScoreGraph.
if anomalyScore >= 0.8:
self.highlightList.append(timestamp)
self.highlightListTurnOn = True
else:
self.highlightListTurnOn = False
if len(self.highlightList) != 0 and self.highlightListTurnOn is False:
self.anomalyScoreGraph.axvspan(
self.highlightList[0] - datetime.timedelta(minutes=10),
self.highlightList[-1] + datetime.timedelta(minutes=10),
color="r",
edgecolor=None,
alpha=0.2
)
self.highlightList = []
self.highlightListTurnOn = True
# update the anomaly value table.
if anomalyScore >= 0.8:
# remove the table and then replot it
self.anomalyValueTable.remove()
self.anomalyValueTable = fig.add_axes([0.8, 0.1, 0.2, 0.8], frameon=False)
self.anomalyValueTableColumnsName = ["timestamp", "actual value", "expect value", "anomaly score"]
self.anomalyValueTable.text(0.05, 0.99, "Anomaly Value Table", size=12)
self.anomalyValueTable.set_xticks([])
self.anomalyValueTable.set_yticks([])
self.tableValue.append([
timestamp.strftime("%Y-%m-%d %H:%M:%S"),
actualValue,
predictValue,
anomalyScore
])
if len(self.tableValue) >= 40: self.tableValue.pop(0)
self.anomalyValueTable.table(cellText=self.tableValue,
colWidths=[0.35] * 4,
colLabels=self.anomalyValueTableColumnsName,
loc=1,
cellLoc="center"
)
# plot pause 0.0001 second and then plot the next one.
plt.pause(0.0001)
plt.draw()
def close(self):
plt.ioff()
plt.show()
下面是ion版本的調(diào)用：
graph = stream_detection_plot.streamDetectionPlot()
graph.initPlot()
for i in xrange(len(timestamp)):
graph.anomalyDetectionPlot(timestamp[i],value_a[i],predict_a[i],anomalyScore_a[i])
graph.close()
具體為實(shí)例化類(lèi)，初始化圖形，傳入數(shù)據(jù)作圖，關(guān)掉。
以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
總結(jié)
以上是生活随笔為你收集整理的python 可视化监控平台_python可视化篇之流式数据监控的实现的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。
- 上一篇： 打通iOS！曝iPhone即将新增比亚迪
- 下一篇： 女生误以为笔记本电脑贴了膜 直接把“屏幕