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,DataFrameimport 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.addrFROM log AS lINNER 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_ipORDER 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 pdimport socketimport 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  addrreal_ip            60.191.123.80  101013 浙江省杭州市-        32691  None218.30.118.79  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]

总结以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作带来一定的帮助，如果有疑问大家可以留言交流。任何业绩的质变都来自于量变的积累。