折线图是我们平时数据分析过程中最常用的，通过本次参加国际 AIOPS 比赛，积累了不少画图的经验，再此整理出来与大家分享。
本文使用代码在 macOS Monterey 12.2.1 测试通过，Pyhon 版本 3.9.6
本文所使用的代码和数据集可以在我的 Github 上获取
首先介绍下我使用的数据结构，这是一份时序数据，时间戳是一个乱序的一天内的时间戳，配置项ID类似于主机名，有多个重复的配置项。指标名也有多个重复的指标，最后一列是具体的值。
| timestamp |
cmdb_id |
kpi_name |
value |
| 时间戳 |
配置项ID |
指标名 |
指标值 |
| 1647792000 |
node-1 |
ping.can_connect |
1.0 |
| 1647792000 |
node-2 |
system.load.5 |
3.96 |
- 单折线图
- 多折线图
- 折线图标注数据点
- 折线图叠加矩形
单折线图
只画出一个配置项、一个指标的时间序列的折线图。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
def single_line():
df = pd.read_csv('data.csv')
df = df[ df['cmdb_id'].str.contains('node-1')]
df = df[ df['kpi_name'].str.contains('system.load.5') ]
df.sort_values('timestamp')
fig = plt.figure(figsize=(14,8))
plt.rcParams["figure.autolayout"] = True
plt.rcParams['font.sans-serif'] = ['Songti SC']
plt.rcParams['axes.unicode_minus'] = False
plt.plot(df['timestamp'], df['value'], c = ‘lime’, label='node-1')
plt.xlabel( 'Timestamp' )
plt.ylabel( df['kpi_name'].iloc[1] )
plt.legend( loc = 'best' )
plt.show()
|
多折线图
数据文件 cmdb_id 中有两个不重复的配置项，画出这两个配置项 system.load.5 这个指标的折线图。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
|
def multi_line():
df = pd.read_csv('data.csv')
fig = plt.figure(figsize=(14,8))
plt.rcParams["figure.autolayout"] = True
plt.rcParams['font.sans-serif'] = ['Songti SC']
plt.rcParams['axes.unicode_minus'] = False
adf = df[ df['cmdb_id'].str.contains('node-1')]
adf = adf[ df['kpi_name'].str.contains('system.load.5') ]
adf.sort_values('timestamp')
plt.plot(adf['timestamp'], adf['value'], c = 'teal', label='node-1')
bdf = df[ df['cmdb_id'].str.contains('node-2')]
bdf = bdf[ df['kpi_name'].str.contains('system.load.5') ]
bdf.sort_values('timestamp')
plt.plot( bdf['timestamp'], bdf['value'], c = 'red', label='node-2')
plt.xlabel( 'Timestamp' )
plt.ylabel( df['kpi_name'].iloc[1] )
plt.legend( loc = 'best' )
plt.show()
|
折线图标注数据点
将故障点标注在曲线的对应位置。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
|
def line_with_dot():
df = pd.read_csv('data.csv')
df = df[ df['cmdb_id'].str.contains('node-1')]
df = df[ df['kpi_name'].str.contains('system.load.5') ]
df.sort_values('timestamp')
fig = plt.figure(figsize=(14,8))
plt.rcParams["figure.autolayout"] = True
plt.rcParams['font.sans-serif'] = ['Songti SC']
plt.rcParams['axes.unicode_minus'] = False
plt.plot(df['timestamp'], df['value'], c = 'red', label='node-1')
plt.plot(1647823965, df['value'].max(), 'o')
plt.text(1647823965, df['value'].max() + 0.4, 'node-1,node节点CPU故障' , ha = 'left', va = 'top', fontsize = 8)
plt.xlabel( 'Timestamp' )
plt.ylabel( df['kpi_name'].iloc[1] )
plt.legend( loc = 'best' )
plt.show()
|
折线图叠加矩形区域
在做异常检测的时候，会标注某个时间段的数据属于异常数据，这时会叠加一个矩形区域来表示。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
|
def line_with_rect():
df = pd.read_csv('data.csv')
df = df[ df['cmdb_id'].str.contains('node-1')]
df = df[ df['kpi_name'].str.contains('system.load.5') ]
df.sort_values('timestamp')
fig, ax = plt.subplots()
plt.rcParams["figure.autolayout"] = True
plt.rcParams['font.sans-serif'] = ['Songti SC']
plt.rcParams['axes.unicode_minus'] = False
ax.plot(df['timestamp'], df['value'], c = 'blue', label='node-1')
ax.plot(1647823965, df['value'].max(), 'o')
ax.text(1647823965, df['value'].max() + 0.4, 'node-1,node节点CPU故障' , ha = 'left', va = 'top', fontsize = 8)
ax.add_patch( patches.Rectangle( (1647823965, 0), 1200, df['value'].max() , facecolor = "red", alpha=0.5) )
ax.annotate( '故障区域', xy=( 1647823965, df['value'].max()), xytext=(1647823965 + 1200, df['value'].max() - 2) )
plt.xlabel( 'Timestamp' )
plt.ylabel( df['kpi_name'].iloc[1] )
plt.legend( loc = 'best' )
plt.show()
|
这几个都是在本次参加 AIOPS 比赛过程中，为了方便查看指标情况积累的作图技巧，后续如果有折线图更多的内容，会继续在这里更新。
