以最快、最灵活的方式绘制超过 200 万行平面文件数据？

Question

我正在一个平面文件中收集一些系统数据，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这样的：

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，每五秒有一个数据点。

我需要将这些数据绘制成图表，以便从中获得意义。

我的尝试

目前我已经尝试使用各种 unix 工具（awk、sed 等）使用 gnuplot 和 rrdtool。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碎和重新切割数据。 我的直觉是 rrdtool 是正确的方法，但目前我正在努力将数据足够快地输入其中，部分原因是我必须将时间戳转换为 Unix 纪元。我的理解也是，如果我决定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，但不是这样的追溯加载）。这些事情让我觉得我可能使用了错误的工具。

将数据收集到平面文件是固定的 - 例如，我无法将集合直接通过管道传输到 rrdtool。

我的问题

我希望人们对制作图表的最佳方式提出意见。我有这些要求：

1. 应该尽可能快地创建图表（不仅仅是渲染，还要设置渲染）
2. 它应该尽可能灵活 - 我需要处理图表才能工作 找出数据的最佳粒度（5 秒可能太细了）
3. 它应该能够在必要时聚合 (MAX/AVG/etc)
4. 它应该是可重复的，新的数据文件进来时
5. 理想情况下，我希望能够将 DD1 与 DD2 或上周的 DD1 与本周的 DD1 叠加
6. Unix 或 Windows，不管。不过更喜欢 *nix :-)

有什么建议吗？

Answer 1

这是一个非常好的问题。我很高兴看到一些 R 人参与进来。我也认为 R 是完成这项工作的合适工具，尽管它是我的主要锤子，所以对我来说，一切看起来有点像钉子。

需要一些 R 概念来应对这一挑战。在我看来，您需要以下内容（括号中的引用）：

1. 将数据导入 R。(R Import Export Guide)
2. 将数据放入适当的时间序列结构中。 (XTS Vignette PDF)
3. 有点阴谋。 (Quick-R intro to graphics)

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 2 毫米点。它很慢，而且信息量不大。但这应该会给您一些入门的想法。如果您决定跳下 R 兔子洞，请随时提出更具体的问题！

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的关系有点跳出来

boxplot( oneDay )

箱线图是统计图形的饼图。你爱恨的情节。我们在这里的时候也可以link to this。

## 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，我也不确定这是否具有信息性。应该可能是子集。

Answer 2

这里有一些 R 代码，用于在 2000000 行的 4 列中处理 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')

现在开始有点慢了：

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

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。不过不要尝试绘制它。

让我们绘制其中一列的细化版本：

> 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

这是一个示例，与您拥有的数据有关，如加载到 R 中、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)

然后我们可以定时读取 200 万行。为了加快速度，我们告诉 R 文件中列的类："POSIXct" 是 R 中存储您拥有的时间戳的一种方式。

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

在我普通的笔记本电脑上，大约需要 13 秒来读取和格式化内部 unix 时间。

   user  system elapsed 
 13.698   5.827  19.643 

可以通过多种方式进行聚合，一种是使用aggregate()。说聚合到小时平均值/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（创建out 的行）在我的笔记本电脑上需要大约 16 秒，并给出以下输出：

> 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plot()函数可以实现简单的绘图：

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

我们可以通过以下方式覆盖更多变量，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)

这一切都是通过基本的 R 功能完成的。其他人已经展示了附加包如何使处理日期更容易。