python可视化篇之流式数据监控的实现

Python  /  管理员 发布于 7年前   205

preface

流式数据的监控，以下主要是从算法的呈现出发，提供一种python的实现思路

其中：
1.python是2.X版本
2.提供两种实现思路，一是基于matplotlib的animation，一是基于matplotlib的ion

话不多说，先了解大概的效果，如下：

一、一点构思

在做此流数据输出可视化前，一直在捣鼓nupic框架，其内部HTM算法主要是一种智能的异常检测算法，是目前AI框架中垂直领域下的一股清流，但由于其实现的例子对应的流数据展示并非我想要的，故此借鉴后自己重新写了一个，主要是达到三个目的，一是展示真实数据的波动，二是展示各波动的异常得分，三是罗列异常的点。 

上述的输出结构并非重点，重点是其实时更新的机制，了解后即可自行定义。另，js对于这种流数据展示应该不难，所以本文主要立足的是算法的呈现角度以及python的实现。

二、matplotlib animation实现思路

http://matplotlib.org/api/animation_api.html 链接是matplotlib animation的官方api文档

（一）、骨架与实时更新

animation翻译过来就是动画，其动画展示核心主要有三个：1是动画的骨架先搭好，就是图像的边边框框这些，2是更新的过程，即传入实时数据时图形的变化方法，3是FuncAnimation方法结尾。

下面以一个小例子做进一步说明： 

1.对于动画的骨架：

# 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")

以上分别对应初始化空数据，初始化图形大小和背景颜色，插入子图（三个数字分别表示几行几列第几个位置），初始化图形（数据为空）。

import numpy as npx = np.arange(0, 1000, 1)y = np.random.normal(100, 10, 1000)

随机生成一些作图数据，下面定义update过程。

2.对于更新过程：

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

上述定义更新函数，参数i为每轮迭代从FuncAnimation方法frames参数传进来的数值，frames参数的指定下文会进一步说，x/y通过相应更新之后，对图形的x/y轴大小做相应的重设，再把数据通过set_data传进图形，注意ax1和p1的区别，最后再把上述的变化通过draw()方法绘制到界面上，返回p1给FuncAnimation方法。

3.对于FuncAnimation方法：

ani = FuncAnimation(fig=fig,func=update,frames=len(xs),interval=1)plt.show()

FuncAnimation方法主要是与update函数做交互，将frames参数对应的数据逐条传进update函数，再由update函数返回的图形覆盖FuncAnimation原先的图形，fig参数即为一开始对应的参数，interval为每次更新的时间间隔，还有其他一些参数如blit=True控制图形精细，当界面较多子图时，为True可以使得看起来不会太卡，关键是frames参数，下面是官方给出的注释：

可为迭代数，可为函数，也可为空，上面我指定为数组的长度，其迭代则从0开始到最后该数值停止。

该例子最终呈现的效果如下：

了解大概的实现，细节就不在这里多说了。

（二）、animation的优缺点

animation的绘制的结果相比于下文的ion会更加的细腻，主要体现在FuncAnimation方法的一些参数的控制上。但是缺点也是明显，就是必须先有指定的数据或者指定的数据大小，显然这样对于预先无法知道数据的情况没法处理。所以换一种思路，在matplotlib ion打开的模式下，每次往模板插入数据都会进行相应的更新，具体看第二部分。

三、matplotlib ion实现思路

（一）、实时更新

matplotlib ion的实现也主要是三个核心，1是打开ion，2是实时更新机制，3是呈现在界面上。

1.对于打开ion：

ion全称是 interactive on（交互打开），其意为打开一个图形的交互接口，之后每次绘图都在之前打开的面板上操作，举个例子：

import matplotlib.pyplot as pltplt.ion()fig = plt.figure()ax1 = fig.add_subplot(111)line, = ax1.plot(t, v, linestyle="-", color="r")

打开交互接口，初始化图形。

2.对于实时更新机制：

import numpy as npys = 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])

随机生成一组数据，定义作图函数p（包含pause表示暂定时延，最好有，防止界面卡死），传入数据实时更新。

3.对于界面最终呈现

plt.ioff()plt.show()

ioff是关闭交互模式，就像open打开文件产生的句柄，最好也有个close关掉。

最终效果如下：

（二）、ion的优缺点

animation可以在细节上控制比ion更加细腻，这也是ion没有的一点，但是单就无需预先指定数据这一点，ion也无疑是能把流数据做得更加好。

四、最后

贴一下两种方法在最开始那种图的做法，ion我定义成类，这样每次调用只需穿入参数就可以。

animation版本

# _*_ coding:utf-8 _*_import osimport csvimport datetimeimport matplotlib.pyplot as pltfrom matplotlib.animation import FuncAnimationfrom matplotlib.dates import DateFormatterimport matplotlib.ticker as ticker# read the filefilePath = os.path.join(os.getcwd(), "data/anomalyDetect_output.csv")file = open(filePath, "r")allData = csv.reader(file)# skip the first three columnsallData.next()allData.next()allData.next()# cache the datadata = [line for line in allData]# for i in data: print i# take out the target valuetimestamp = [line[0] for line in data]value = [line[1:] for line in data]# format the time style 2016-12-01 00:00:00def timestampFormat(t):  result = datetime.datetime.strptime(t, "%Y-%m-%d %H:%M:%S")  return result# take out the datatimestamp = 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 figurefig = 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 plotp1, = 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 labelax2.set_xlabel("date time")ax2.set_ylabel("anomaly score")ax1.set_ylabel("value")# add the table in ax3col_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 formatdateFormat = DateFormatter("%m/%d %H:%M")ax1.xaxis.set_major_formatter(ticker.FuncFormatter(dateFormat))ax2.xaxis.set_major_formatter(ticker.FuncFormatter(dateFormat))# define the initial functiondef init():  p1.set_data([], [])  p2.set_data([], [])  return p1, p2# initial data for the update functionx1 = []x2 = []x1_2 = []y1_2 = []x1_3 = []y1_3 = []y1 = []y2 = []highlightList = []turnOn = TruetableValue = [[0, 0, 0, 0]]# update functiondef 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 functionanim = FuncAnimation(fig, stream, init_func=init, frames=len(timestamp), interval=0)plt.show()file.close()

ion版本

#! /usr/bin/pythonimport osimport csvimport datetimeimport matplotlib.pyplot as pltfrom matplotlib.animation import FuncAnimationfrom matplotlib.dates import DateFormatterimport matplotlib.ticker as tickerclass 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版本的调用：

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()

具体为实例化类，初始化图形，传入数据作图，关掉。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。