绘制超过200万行平面文件数据的最快速,最灵活的方式？

Question

我在flatfile中收集一些系统数据,其格式如下:

YYYY-MM-DD-HH24:MI:SS DD1 DD2 DD3 DD4

其中DD1-DD4是四项数据.该文件的一个示例是:

2011-02-01-13:29:53 16 8 7 68
2011-02-01-13:29:58 13 8 6 110
2011-02-01-13:30:03 26 25 1 109
2011-02-01-13:30:08 13 12 1 31
2011-02-01-13:30:14 192 170 22 34
2011-02-01-13:30:19 16 16 0 10
2011-02-01-13:30:24 137 61 76 9
2011-02-01-13:30:29 452 167 286 42
2011-02-01-13:30:34 471 177 295 11
2011-02-01-13:30:39 502 192 309 10

该文件超过200万行,每五秒钟有一个数据点.

我需要绘制这些数据,以便能够从中获得意义.

我试过的

目前我已尝试使用各种unix工具gnuplot和rrdtool(awk,sed等).这两种方法都有效,但每次我想以不同的方式查看数据时,似乎都需要大量的切割和重新编辑数据.我的直觉是rrdtool是正确的方法,但目前我正在努力将数据快速地加入其中,部分原因是因为我必须将我的时间戳转换为Unix时代.我的理解是,如果我决定我想要一个新的聚合粒度,我必须重建rrd(这对于实时收集是有意义的,但不是像这样的追溯加载).这些事情让我觉得我可能正在使用错误的工具.

将数据收集到平面文件是固定的 - 例如,我无法将集合直接传递到rrdtool.

我的问题

我希望人们对制图的最佳方式有所了解.我有这些要求:

1. 它应该尽可能快地创建一个图形(不仅仅是渲染,而是设置为渲染)
2. 它应该尽可能灵活 - 我需要使用图表来计算出数据的最佳粒度(5秒可能过于细化)
3. 它应该能够在必要时聚合(MAX/AVG/etc)
4. 它应该是可重复的,并且当它们进入时会有新的数据文件
5. 理想情况下,我希望能够在本周与DD1重叠DD1与DD2或DD1
6. Unix或Windows,不在乎.首选*nix虽然:-)

有什么建议？

Answer 1

这是一个非常好的问题.我很高兴看到一些R人在努力.我也认为R是适合这项工作的工具,虽然它是我的主要锤子,所以一切看起来都像是钉子给我.

解决这一挑战需要一些R概念.在我看来,你需要以下(parens参考):

1. 将数据导入R.(R导入导出指南)
2. 将数据转换为适当的时间序列结构.(XTS Vignette PDF)
3. 一点点密谋.(Quick-R介绍图形)

这是使用2mm点的示例代码.如果您注意到,我没有说明绘制所有2mm点.它很慢而且不那么有用.但这应该会给你一些入门的想法.如果您决定跳下R兔子洞,请随时回来提出更具体的问题!

require( xts )
require( lubridate )

## set up some example data
dataLength <- 2e6
startTime <- ymd_hms("2011-02-01-13-29-53")
fistFullOfSeconds <- 1:dataLength
date <- startTime + fistFullOfSeconds
DD1 <- rnorm( dataLength )
DD2 <- DD1 + rnorm(dataLength, 0, .1 )
DD3 <- rnorm( dataLength, 10, 2)
DD4 <- rnorm( dataLength )

myXts <- xts(matrix( c( DD1, DD2, DD3, DD4 ), ncol=4 ), date)

## now all the data are in the myXts object so let's do some
## summarizing and visualization

## grabbing just a single day from the data
## converted to data.frame to illustrate default data frame plotting
oneDay <- data.frame( myXts["2011-02-02"] ) 
plot( oneDay )

DD1和DD2之间的关系有点跳出来

boxplot( oneDay )

Boxplot是统计图形的饼图.你喜欢讨厌的情节.当我们在这里时,可能会链接到此.

## look at the max value of each variable every minute
par(mfrow=c(4,1)) ## partitions the graph window
ep <- endpoints(myXts,'minutes')
plot(period.apply(myXts[,1],INDEX=ep,FUN=max))
plot(period.apply(myXts[,2],INDEX=ep,FUN=max))
plot(period.apply(myXts[,3],INDEX=ep,FUN=max))
plot(period.apply(myXts[,4],INDEX=ep,FUN=max))

即使在一分钟的分辨率下,我也不确定这是否有用.应该是子集.

Answer 2

这里有一些R代码可以在4列2000000行中使用8000000个数字:

> d=matrix(runif(8000000),ncol=4)
> dim(d)
[1] 2000000       4
> plot(d[1:1000,1])
> plot(d[1:1000,1],type='l')
> plot(d[1:10000,1],type='l')

现在它开始有点慢:

> plot(d[1:100000,1],type='l')

那两列的相关性如何:

> cor(d[,1],d[,2])
[1] 0.001708502

- 瞬间.傅里叶变换？

> f=fft(d[,1])

也是即时的.不要尝试绘制它.

让我们绘制其中一列的精简版本:

> plot(d[seq(1,2000000,len=1000),1],type='l')

- 瞬间.

真正缺少的是一个交互式绘图,您可以在其中缩放和平移整个数据集.

Answer 3

以下是您所拥有的数据的示例,如加载到R,聚合等...

首先,将一些虚拟数据写入文件:

stime <- as.POSIXct("2011-01-01-00:00:00", format = "%Y-%d-%m-%H:%M:%S")
## dummy data
dat <- data.frame(Timestamp = seq(from = stime, by = 5, length = 2000000),
                  DD1 = sample(1:1000, replace = TRUE),
                  DD2 = sample(1:1000, replace = TRUE),
                  DD3 = sample(1:1000, replace = TRUE),
                  DD4 = sample(1:1000, replace = TRUE))
## write it out
write.csv(dat, file = "timestamp_data.txt", row.names = FALSE)

然后我们可以在200万行中读取时间.为了加快速度,我们告诉R文件中列的类:"POSIXct"是R中存储时间戳的一种方式.

## read it in:
system.time({
             tsdat <- read.csv("timestamp_data.txt", header = TRUE,
                                 colClasses = c("POSIXct",rep("integer", 4)))
            })

在我适度的笔记本电脑上,在内部unix时间内读取和格式化大约需要13秒.

   user  system elapsed 
 13.698   5.827  19.643 

聚合可以通过多种方式完成,一种是使用aggregate().假设聚合到小时平均值/平均值:

## Generate some indexes that we'll use the aggregate over
tsdat <- transform(tsdat,
                   hours   = factor(strftime(tsdat$Timestamp, format = "%H")),
                   jday    = factor(strftime(tsdat$Timestamp, format = "%j")))
## compute the mean of the 4 variables for each minute
out <- aggregate(cbind(Timestamp, DD1, DD2, DD3, DD4) ~ hours + jday, 
                 data = tsdat, FUN = mean)
## convert average Timestamp to a POSIX time
out <- transform(out,
                 Timestamp = as.POSIXct(Timestamp, 
                                        origin = ISOdatetime(1970,1,1,0,0,0)))

那个(创建线out)在我的笔记本电脑上需要大约16秒,并提供以下输出:

> head(out)
  hours jday           Timestamp      DD1      DD2      DD3      DD4
1    00  001 2010-12-31 23:29:57 500.2125 491.4333 510.7181 500.4833
2    01  001 2011-01-01 00:29:57 516.0472 506.1264 519.0931 494.2847
3    02  001 2011-01-01 01:29:57 507.5653 499.4972 498.9653 509.1389
4    03  001 2011-01-01 02:29:57 520.4111 500.8708 514.1514 491.0236
5    04  001 2011-01-01 03:29:57 498.3222 500.9139 513.3194 502.6514
6    05  001 2011-01-01 04:29:57 515.5792 497.1194 510.2431 496.8056

使用以下plot()功能可以实现简单的绘图:

plot(DD1 ~ Timestamp, data = out, type = "l")

我们可以覆盖更多变量,例如:

ylim <- with(out, range(DD1, DD2))
plot(DD1 ~ Timestamp, data = out, type = "l", ylim = ylim)
lines(DD2 ~ Timestamp, data = out, type = "l", col = "red")

或通过多个面板:

layout(1:2)
plot(DD1 ~ Timestamp, data = out, type = "l", col = "blue")
plot(DD2 ~ Timestamp, data = out, type = "l", col = "red")
layout(1)

这一切都是基于R功能完成的.其他人已经展示了附加软件包如何使日期工作变得更容易.