Python数据分析之真实IP请求Pandas详解

前言

pandas 是基于 Numpy 构建的含有更高级数据结构和工具的数据分析包类似于 Numpy 的核心是 ndarray，pandas 也是围绕着 Series 和 DataFrame 两个核心数据结构展开的 。Series 和 DataFrame 分别对应于一维的序列和二维的表结构。pandas 约定俗成的导入方法如下：

from pandas import Series,DataFrame
import pandas as pd

1.1. Pandas分析步骤

    1、载入日志数据

    2、载入area_ip数据

    3、将 real_ip 请求数 进行 COUNT。类似如下SQL:

SELECT inet_aton(l.real_ip),
 count(*),
 a.addr
FROM log AS l
INNER JOIN area_ip AS a
 ON a.start_ip_num <= inet_aton(l.real_ip)
 AND a.end_ip_num >= inet_aton(l.real_ip)
GROUP BY real_ip
ORDER BY count(*)
LIMIT 0, 100;

1.2. 代码

cat pd_ng_log_stat.py
#!/usr/bin/env python
#-*- coding: utf-8 -*-

from ng_line_parser import NgLineParser

import pandas as pd
import socket
import struct

class PDNgLogStat(object):

def __init__(self):
   self.ng_line_parser = NgLineParser()

def _log_line_iter(self, pathes):
   """解析文件中的每一行并生成一个迭代器"""
   for path in pathes:
     with open(path, 'r') as f:
       for index, line in enumerate(f):
         self.ng_line_parser.parse(line)
         yield self.ng_line_parser.to_dict()

def _ip2num(self, ip):
   """用于IP转化为数字"""
   ip_num = -1
   try:
     # 将IP转化成INT/LONG 数字
     ip_num = socket.ntohl(struct.unpack("I",socket.inet_aton(str(ip)))[0])
   except:
     pass
   finally:
     return ip_num

def _get_addr_by_ip(self, ip):
   """通过给的IP获得地址"""
   ip_num = self._ip2num(ip)

try:
     addr_df = self.ip_addr_df[(self.ip_addr_df.ip_start_num <= ip_num) &
                  (ip_num <= self.ip_addr_df.ip_end_num)]
     addr = addr_df.at[addr_df.index.tolist()[0], 'addr']
     return addr
   except:
     return None

def load_data(self, path):
   """通过给的文件路径加载数据生成 DataFrame"""
   self.df = pd.DataFrame(self._log_line_iter(path))

def uv_real_ip(self, top = 100):
   """统计cdn ip量"""
   group_by_cols = ['real_ip'] # 需要分组的列,只计算和显示该列

# 直接统计次数
   url_req_grp = self.df[group_by_cols].groupby(
                  self.df['real_ip'])
   return url_req_grp.agg(['count'])['real_ip'].nlargest(top, 'count')

def uv_real_ip_addr(self, top = 100):
   """统计real ip 地址量"""
   cnt_df = self.uv_real_ip(top)

# 添加 ip 地址 列
   cnt_df.insert(len(cnt_df.columns),
          'addr',
          cnt_df.index.map(self._get_addr_by_ip))
   return cnt_df

def load_ip_addr(self, path):
   """加载IP"""
   cols = ['id', 'ip_start_num', 'ip_end_num',
       'ip_start', 'ip_end', 'addr', 'operator']
   self.ip_addr_df = pd.read_csv(path, sep='\t', names=cols, index_col='id')
   return self.ip_addr_df

def main():
 file_pathes = ['www.ttmark.com.access.log']

pd_ng_log_stat = PDNgLogStat()
 pd_ng_log_stat.load_data(file_pathes)

# 加载 ip 地址
 area_ip_path = 'area_ip.csv'
 pd_ng_log_stat.load_ip_addr(area_ip_path)

# 统计 用户真实 IP 访问量 和 地址
 print pd_ng_log_stat.uv_real_ip_addr()

if __name__ == '__main__':
 main()

运行统计和输出结果

python pd_ng_log_stat.py

count  addr
real_ip            
60.191.123.80  101013 浙江省杭州市
-        32691  None
218.30.118.79  22523   北京市
......
136.243.152.18   889   德国
157.55.39.219   889   美国
66.249.65.170   888   美国

[100 rows x 2 columns]

总结