Question

我有几个（10个左右）CSV格式的数据集。数据集的每一列代表正在运行的系统的一个方面（可用RAM，CPU使用率，开放TCP连接等）。每行包含某个时刻这些列的值。

在同一测试的单独运行期间捕获数据集。每个数据集中的行数不保证相同（即：某些测试的运行时间比其他数据长）。

我想生成一个新的CSV文件，该文件代表所有数据集中给定时间偏移量和给定列的“平均”值。理想情况下，将忽略一个数据集中缺失的值。但是，如有必要，可以假设缺失值与上一个已知值相同，或者该行的已知值的平均值。

简化示例：

+---------------+    +---------------+       +---------------+
|     Set 1     |    |     Set 2     |       |    Average    |
+---+-----+-----+    +---+-----+-----+       +---+-----+-----+
| t |  A  |  B  |    | t |  A  |  B  |       | t |  A  |  B  |
+---+-----+-----+    +---+-----+-----+       +---+-----+-----+
| 1 | 10  | 50  |    | 1 | 12  | 48  |       | 1 | 11  | 49  |   
| 2 | 13  | 58  |    | 2 |  7  | 60  |       | 2 | 10  | 59  |   
| 3 |  9  | 43  |    | 3 | 17  | 51  |  =>   | 3 | 13  | 47  |   
| 4 | 14  | 61  |    | 4 | 12  | 57  |       | 4 | 13  | 59  |   
| : |  :  |  :  |    | : |  :  |  :  |       | : |  :  |  :  |   
| 7 |  4  | 82  |    | 7 | 10  | 88  |       | 7 |  7  | 86  |   
+---+-----+-----+    | 8 | 15  | 92  |       | 8 | 15  | 92  |
                     | 9 |  6  | 63  |       | 9 |  6  | 63  |
                     +---+-----+-----+       +---+-----+-----+

我是numpy的新手，专门为这个项目选择了它。最好的方法是什么？对于具有相同行数的数据集（我通过将较长的数据集缩短而强制执行），我只是这样做：

d_avg = sum(dsets) / float(len(dsets))

其中“dsets”是包含每个CSV文件中数据的ndarrays列表。这很好用，但我不想丢弃长时间运行的数据。

我也可以将较短的行程调整为最长的行程，但所有新字段都填充“NoneType”。添加（例如）float和NoneType时，稍后的操作会出错。

有什么建议吗？

Answer 1

为什么不只是我们numpy的ma（蒙面数组）模块？

maxLen = reduce(lambda a,b : max(a, b.shape[0]),
                dSets, 0)
all = N.ma.zeros((maxLen,)+ dSets[0].shape[1:] + (len(dSets),),
                     dtype=float)      # set the dtype to whatever
all.mask = True
for i, set in enumerate(dSets):
    all.mask[:len(set),...,i] = False
    all[:len(set),...,i] = set

mean = all.mean(axis=-1)

当然，这只有在你可以保证所有数组中每行的时间相同时才有效，即设置[i，0] ==为所有i设置[j，0] j

Answer 2

编辑：我修改了我的方法，放弃了scipy.nanmean，转而使用蒙面数组。

如果不清楚代码在任何时候正在做什么，首先尝试推杆打印声明。如果还不清楚，请随意提问; 我会尽力解释。技巧部分是将t值合并。（这是用numpy数组的searchsorted方法完成的。）

玩numpy让我相信它的速度优势在数据集变得很大之前可能不存在（可能每个数据集至少需要10,000行）。否则，纯python解决方案可能更容易编写和更快。

以下是我使用的玩具数据集：

% cat set1
1, 10, 50
2, 13, 58
3,9,43
4,14,61
7, 4, 82

% cat set2
1, 12, 48
2, 7, 60
3,17,51
4,12,57
7,10,88
8,15,92
9,6,63

以下是代码：

#!/usr/bin/env python
import numpy as np

filenames=('set1','set2')   # change this to list all your csv files
column_names=('t','a','b')

# slurp the csv data files into a list of numpy arrays
data=[np.loadtxt(filename, delimiter=',') for filename in filenames]

# Find the complete list of t-values
# For each elt in data, elt[a,b] is the value in the a_th row and b_th column
t_values=np.array(list(reduce(set.union,(set(elt[:,0]) for elt in data))))
t_values.sort()
# print(t_values)
# [ 1.  2.  3.  4.  7.  8.  9.]

num_rows=len(t_values)
num_columns=len(column_names)
num_datasets=len(filenames)

# For each data set, we compute the indices of the t_values that are used.
idx=[(t_values.searchsorted(data[n][:,0])) for n in range(num_datasets)]

data2=np.ma.zeros((num_rows,num_columns,num_datasets))
for n in range(num_datasets):
    data2[idx[n],:,n]=data[n][:,:]
data2=np.ma.masked_equal(data2, 0)
averages=data2.mean(axis=-1)
print(averages)
# [[1.0 11.0 49.0]
#  [2.0 10.0 59.0]
#  [3.0 13.0 47.0]
#  [4.0 13.0 59.0]
#  [7.0 7.0 85.0]
#  [8.0 15.0 92.0]
#  [9.0 6.0 63.0]]

Answer 3

好吧，一种方法是迭代每个数据集的每一行，并将给定的列值附加到存储在字典中的数组，其中时间索引用于其键值。然后迭代字典并拉出存储在那里的每个数组的平均值。

这不是特别有效 - 另一种选择是找到最长的数组，迭代它，并查询其他数据集以创建一个临时数组来平均。这样就可以将二次迭代保存在字典上。

使用Numpy查找跨数据集的平均值，以及一些丢失的数据

3 个答案: