From daca16c40fe84427af1aae352f3a140dc0ba4745 Mon Sep 17 00:00:00 2001 From: Fengda Huang Date: Fri, 23 Oct 2015 09:29:00 +0800 Subject: [PATCH] Update 04-analytics-02.md --- chapters/04-analytics-02.md | 472 +++++++++++++++++++++++++++++++++++- 1 file changed, 471 insertions(+), 1 deletion(-) diff --git a/chapters/04-analytics-02.md b/chapters/04-analytics-02.md index 672c020..3fb2d69 100644 --- a/chapters/04-analytics-02.md +++ b/chapters/04-analytics-02.md @@ -1 +1,471 @@ -#Github项目分析二 \ No newline at end of file +#Github项目分析二 + + +让我们分析之前的程序，然后再想办法做出优化。网上看到一篇文章[http://www.huyng.com/posts/python-performance-analysis/](http://www.huyng.com/posts/python-performance-analysis/)讲的就是分析这部分内容的。 + +#time python分析# +分析程序的运行时间 + + $time python handle.py + +结果便是，但是对于我们的分析没有一点意义 + + real 0m43.411s + user 0m39.226s + sys 0m0.618s + +#line_profiler python# +这是 +##Mac OS X 10.9 line_profiler Install## + + sudo ARCHFLAGS="-Wno-error=unused-command-line-argument-hard-error-in-future" easy_install line_profiler + +然后在我们的``parse_data.py``的``handle_json``前面加上``@profile`` +

+@profile
+def handle_json(jsonfile):
+    f = open(jsonfile, "r")
+    dataarray = []
+    datacount = 0
+
+    for line in open(jsonfile):
+        line = f.readline()
+        lin = json.loads(line)
+        date = dateutil.parser.parse(lin["created_at"])
+        datacount += 1
+        dataarray.append(date.minute)
+
+    f.close()
+    return datacount, dataarray
+
+Line_profiler带了一个分析脚本``kernprof.py``，so + + kernprof.py -l -v handle.py + +我们便会得到下面的结果 + + + Wrote profile results to handle.py.lprof + Timer unit: 1e-06 s + + File: parse_data.py + Function: handle_json at line 15 + Total time: 127.332 s + + Line # Hits Time Per Hit % Time Line Contents + ============================================================== + 15 @profile + 16 def handle_json(jsonfile): + 17 19 636 33.5 0.0 f = open(jsonfile, "r") + 18 19 21 1.1 0.0 dataarray = [] + 19 19 16 0.8 0.0 datacount = 0 + 20 + 21 212373 730344 3.4 0.6 for line in open(jsonfile): + 22 212354 2826826 13.3 2.2 line = f.readline() + 23 212354 13848171 65.2 10.9 lin = json.loads(line) + 24 212354 109427317 515.3 85.9 date = dateutil.parser.parse(lin["created_at"]) + 25 212354 238112 1.1 0.2 datacount += 1 + 26 212354 260227 1.2 0.2 dataarray.append(date.minute) + 27 + 28 19 349 18.4 0.0 f.close() + 29 19 20 1.1 0.0 return datacount, dataarray + +于是我们就发现我们的瓶颈就是从读取``created_at``，即创建时间。。。以及解析json，反而不是我们关心的IO，果然``readline``很强大。 + +#memory_profiler python# +##memory_profiler install## + + $ pip install -U memory_profiler + $ pip install psutil + +##memory_profiler python## +如上，我们只需要在``handle_json``前面加上``@profile`` + + python -m memory_profiler handle.py + +于是 + + + Filename: parse_data.py + + Line # Mem usage Increment Line Contents + ================================================ + 13 39.930 MiB 0.000 MiB @profile + 14 def handle_json(jsonfile): + 15 39.930 MiB 0.000 MiB f = open(jsonfile, "r") + 16 39.930 MiB 0.000 MiB dataarray = [] + 17 39.930 MiB 0.000 MiB datacount = 0 + 18 + 19 40.055 MiB 0.125 MiB for line in open(jsonfile): + 20 40.055 MiB 0.000 MiB line = f.readline() + 21 40.066 MiB 0.012 MiB lin = json.loads(line) + 22 40.055 MiB -0.012 MiB date = dateutil.parser.parse(lin["created_at"]) + 23 40.055 MiB 0.000 MiB datacount += 1 + 24 40.055 MiB 0.000 MiB dataarray.append(date.minute) + 25 + 26 f.close() + 27 return datacount, dataarray + + +#objgraph python# + +##objgraph install## + + pip install objgraph + +我们需要调用他 + + import pdb; + +以及在需要调度的地方加上 + + pdb.set_trace() + +接着会进入``command``模式 + + (pdb) import objgraph + (pdb) objgraph.show_most_common_types() + +然后我们可以找到。。 + + function 8259 + dict 2137 + tuple 1949 + wrapper_descriptor 1625 + list 1586 + weakref 1145 + builtin_function_or_method 1117 + method_descriptor 948 + getset_descriptor 708 + type 705 + +也可以用他生成图形，貌似这里是用``dot``生成的，加上``python-xdot`` + +很明显的我们需要一个数据库。 + +如果我们每次都要花同样的时间去做一件事，去扫那些数据的话，那么这是最好的打发时间的方法。 + +##python SQLite3 查询数据## +我们创建了一个名为``userdata.db``的数据库文件，然后创建了一个表，里面有owner,language,eventtype,name url + + def init_db(): + conn = sqlite3.connect('userdata.db') + c = conn.cursor() + c.execute('''CREATE TABLE userinfo (owner text, language text, eventtype text, name text, url text)''') + +接着我们就可以查询数据，这里从结果讲起。 + +

+def get_count(username):
+    count = 0
+    userinfo = []
+    condition = 'select * from userinfo where owener = \'' + str(username) + '\''
+    for zero in c.execute(condition):
+        count += 1
+        userinfo.append(zero)
+
+    return count, userinfo
+
+
+ +当我查询``gmszone``的时候，也就是我自己就会有如下的结果 +

+(u'gmszone', u'ForkEvent', u'RESUME', u'TeX', u'https://github.com/gmszone/RESUME')
+(u'gmszone', u'WatchEvent', u'iot-dashboard', u'JavaScript', u'https://github.com/gmszone/iot-dashboard')
+(u'gmszone', u'PushEvent', u'wechat-wordpress', u'Ruby', u'https://github.com/gmszone/wechat-wordpress')
+(u'gmszone', u'WatchEvent', u'iot', u'JavaScript', u'https://github.com/gmszone/iot')
+(u'gmszone', u'CreateEvent', u'iot-doc', u'None', u'https://github.com/gmszone/iot-doc')
+(u'gmszone', u'CreateEvent', u'iot-doc', u'None', u'https://github.com/gmszone/iot-doc')
+(u'gmszone', u'PushEvent', u'iot-doc', u'TeX', u'https://github.com/gmszone/iot-doc')
+(u'gmszone', u'PushEvent', u'iot-doc', u'TeX', u'https://github.com/gmszone/iot-doc')
+(u'gmszone', u'PushEvent', u'iot-doc', u'TeX', u'https://github.com/gmszone/iot-doc')
+109
+
+ +一共有109个事件，有``Watch``,``Create``,``Push``,``Fork``还有其他的， +项目主要有``iot``,``RESUME``,``iot-dashboard``,``wechat-wordpress``, +接着就是语言了，``Tex``,``Javascript``,``Ruby``,接着就是项目的url了。 + +值得注意的是。 +

+-rw-r--r--   1 fdhuang staff 905M Apr 12 14:59 userdata.db
+
+这个数据库文件有**905M**，不过查询结果相当让人满意，至少相对于原来的结果来说。 + +##Python SQLite3## + +Python自带了对SQLite3的支持，然而我们还需要安装SQLite3 + + brew install sqlite3 + +或者是 + + sudo port install sqlite3 + +或者是Ubuntu的 + + sudo apt-get install sqlite3 + +openSUSE自然就是 + + sudo zypper install sqlite3 + +不过，用yast2也很不错，不是么。。 + +##Pythont Github Sqlite3数据导入## + +需要注意的是这里是需要python2.7，起源于对gzip的上下文管理器的支持问题 + +

+def handle_gzip_file(filename):
+    userinfo = []
+    with gzip.GzipFile(filename) as f:
+        events = [line.decode("utf-8", errors="ignore") for line in f]
+
+        for n, line in enumerate(events):
+            try:
+                event = json.loads(line)
+            except:
+
+                continue
+
+            actor = event["actor"]
+            attrs = event.get("actor_attributes", {})
+            if actor is None or attrs.get("type") != "User":
+                continue
+
+            key = actor.lower()
+
+            repo = event.get("repository", {})
+            info = str(repo.get("owner")), str(repo.get("language")), str(event["type"]), str(repo.get("name")), str(
+                repo.get("url"))
+            userinfo.append(info)
+
+    return userinfo
+
+def build_db_with_gzip():
+    init_db()
+    conn = sqlite3.connect('userdata.db')
+    c = conn.cursor()
+
+    year = 2014
+    month = 3
+
+    for day in range(1,31):
+        date_re = re.compile(r"([0-9]{4})-([0-9]{2})-([0-9]{2})-([0-9]+)\.json.gz")
+
+        fn_template = os.path.join("march",
+                                   "{year}-{month:02d}-{day:02d}-{n}.json.gz")
+        kwargs = {"year": year, "month": month, "day": day, "n": "*"}
+        filenames = glob.glob(fn_template.format(**kwargs))
+
+        for filename in filenames:
+            c.executemany('INSERT INTO userinfo VALUES (?,?,?,?,?)', handle_gzip_file(filename))
+
+    conn.commit()
+    c.close()
+
+ +``executemany``可以插入多条数据，对于我们的数据来说，一小时的文件大概有五六千个会符合我们上面的安装，也就是有``actor``又有``type``才是我们需要记录的数据，我们只需要统计用户的那些事件，而非全部的事件。 + +##python 遍历文件## + +我们需要去遍历文件，然后找到合适的部分，这里只是要找``2014-03-01``到``2014-03-31``的全部事件，而光这些数据的gz文件就有1.26G，同上面那些解压为json文件显得不合适，只能用遍历来处理。 + +这里参考了osrc项目中的写法，或者说直接复制过来。 + +首先是正规匹配 + + date_re = re.compile(r"([0-9]{4})-([0-9]{2})-([0-9]{2})-([0-9]+)\.json.gz") + +不过主要的还是在于``glob.glob`` + +> glob是python自己带的一个文件操作相关模块，用它可以查找符合自己目的的文件，就类似于Windows下的文件搜索，支持通配符操作。 + +这里也就用上了``gzip.GzipFile``又一个不错的东西。 + +最后代码可以见 + +[github.com/gmszone/ml](http://github.com/gmszone/ml) + +更好的方案？ + +###redis### + +结合了前面两篇我们终于可以成功地读取出用户数据、处理，再接着可以找相近的用户。 + +##Python Redis + +查询用户事件总数 + + import redis + r = redis.StrictRedis(host='localhost', port=6379, db=0) + pipe = pipe = r.pipeline() + pipe.zscore('osrc:user',"gmszone") + pipe.execute() + +系统返回了``227.0``,试试别人。 + + >>> pipe.zscore('osrc:user',"dfm") + + >>> pipe.execute() + [425.0] + >>> + +看看主要是在哪一天提交的 + + >>> pipe.hgetall('osrc:user:gmszone:day') + + >>> pipe.execute() + [{'1': '51', '0': '41', '3': '17', '2': '34', '5': '28', '4': '22', '6': '34'}] + +结果大致如下图所示: + +![SMTWTFS][1] + +看看主要的事件是？ + + >>> pipe.zrevrange("osrc:user:gmszone:event".format("gmszone"), 0, -1,withscores=True) + + >>> pipe.execute() + [[('PushEvent', 154.0), ('CreateEvent', 41.0), ('WatchEvent', 18.0), ('GollumEvent', 8.0), ('MemberEvent', 3.0), ('ForkEvent', 2.0), ('ReleaseEvent', 1.0)]] + >>> + +![Main Event][2] + +蓝色的就是push事件，黄色的是create等等。 + +到这里我们算是知道了OSRC的数据库部分是如何工作的。 + +##Python redis 查询 + +主要代码如下所示 + +

+def get_vector(user, pipe=None):
+
+    r = redis.StrictRedis(host='localhost', port=6379, db=0)
+    no_pipe = False
+    if pipe is None:
+        pipe = pipe = r.pipeline()
+        no_pipe = True
+
+    user = user.lower()
+    pipe.zscore(get_format("user"), user)
+    pipe.hgetall(get_format("user:{0}:day".format(user)))
+    pipe.zrevrange(get_format("user:{0}:event".format(user)), 0, -1,
+                   withscores=True)
+    pipe.zcard(get_format("user:{0}:contribution".format(user)))
+    pipe.zcard(get_format("user:{0}:connection".format(user)))
+    pipe.zcard(get_format("user:{0}:repo".format(user)))
+    pipe.zcard(get_format("user:{0}:lang".format(user)))
+    pipe.zrevrange(get_format("user:{0}:lang".format(user)), 0, -1,
+                   withscores=True)
+
+    if no_pipe:
+        return pipe.execute()
+
+ +结果在上一篇中显示出来了，也就是 + + [227.0, {'1': '51', '0': '41', '3': '17', '2': '34', '5': '28', '4': '22', '6': '34'}, [('PushEvent', 154.0), ('CreateEvent', 41.0), ('WatchEvent', 18.0), ('GollumEvent', 8.0), ('MemberEvent', 3.0), ('ForkEvent', 2.0), ('ReleaseEvent', 1.0)], 0, 0, 0, 11, [('CSS', 74.0), ('JavaScript', 60.0), ('Ruby', 12.0), ('TeX', 6.0), ('Python', 6.0), ('Java', 5.0), ('C++', 5.0), ('Assembly', 5.0), ('C', 3.0), ('Emacs Lisp', 2.0), ('Arduino', 2.0)]] + +有意思的是在这里生成了和自己相近的人 + + ['alesdokshanin', 'hjiawei', 'andrewreedy', 'christj6', '1995eaton'] + + [1]: https://www.phodal.com/static/media/uploads/screen_shot_2014-04-15_at_8.11.14_pm.png + [2]: https://www.phodal.com/static/media/uploads/screen_shot_2014-04-15_at_8.14.52_pm.png + +osrc最有意思的一部分莫过于flann，当然说的也是系统后台的设计的一个很关键及有意思的部分。 + +##Python Github +邻近算法是在这个分析过程中一个很有意思的东西。 + +>邻近算法，或者说K最近邻(kNN，k-NearestNeighbor)分类算法可以说是整个数据挖掘分类技术中最简单的方法了。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用她最接近的k个邻居来代表。 + +换句话说，我们需要一些样本来当作我们的分析资料，这里东西用到的就是我们之前的。 + + [227.0, {'1': '51', '0': '41', '3': '17', '2': '34', '5': '28', '4': '22', '6': '34'}, [('PushEvent', 154.0), ('CreateEvent', 41.0), ('WatchEvent', 18.0), ('GollumEvent', 8.0), ('MemberEvent', 3.0), ('ForkEvent', 2.0), ('ReleaseEvent', 1.0)], 0, 0, 0, 11, [('CSS', 74.0), ('JavaScript', 60.0), ('Ruby', 12.0), ('TeX', 6.0), ('Python', 6.0), ('Java', 5.0), ('C++', 5.0), ('Assembly', 5.0), ('C', 3.0), ('Emacs Lisp', 2.0), ('Arduino', 2.0)]] + +在代码中是构建了一个points.h5的文件来分析每个用户的points，之后再记录到hdf5文件中。 + + [ 0.00438596 0.18061674 0.2246696 0.14977974 0.07488987 0.0969163 + 0.12334802 0.14977974 0. 0.18061674 0. 0. 0. + 0.00881057 0. 0. 0.03524229 0. 0. + 0.01321586 0. 0. 0. 0.6784141 0. + 0.07929515 0.00440529 1. 1. 1. 0.08333333 + 0.26431718 0.02202643 0.05286344 0.02643172 0. 0.01321586 + 0.02202643 0. 0. 0. 0. 0. 0. + 0. 0. 0.00881057 0. 0. 0. 0. + 0. 0. 0. 0. 0. 0. 0. + 0. 0. 0. 0. 0.00881057] + +这里分析到用户的大部分行为，再找到与其行为相近的用户，主要的行为有下面这些: + + - 每星期的情况 + - 事件的类型 + - 贡献的数量，连接以及语言 + - 最多的语言 + +osrc中用于解析的代码 + + + def parse_vector(results): + points = np.zeros(nvector) + total = int(results[0]) + + points[0] = 1.0 / (total + 1) + + # Week means. + for k, v in results[1].iteritems(): + points[1 + int(k)] = float(v) / total + + # Event types. + n = 8 + for k, v in results[2]: + points[n + evttypes.index(k)] = float(v) / total + + # Number of contributions, connections and languages. + n += nevts + points[n] = 1.0 / (float(results[3]) + 1) + points[n + 1] = 1.0 / (float(results[4]) + 1) + points[n + 2] = 1.0 / (float(results[5]) + 1) + points[n + 3] = 1.0 / (float(results[6]) + 1) + + # Top languages. + n += 4 + for k, v in results[7]: + if k in langs: + points[n + langs.index(k)] = float(v) / total + else: + # Unknown language. + points[-1] = float(v) / total + + return points + +这样也就返回我们需要的点数，然后我们可以用``get_points``来获取这些 + + def get_points(usernames): + r = redis.StrictRedis(host='localhost', port=6379, db=0) + pipe = r.pipeline() + + results = get_vector(usernames) + points = np.zeros([len(usernames), nvector]) + points = parse_vector(results) + return points + +就会得到我们的相应的数据，接着找找和自己邻近的，看看结果。 + + [ 0.01298701 0.19736842 0. 0.30263158 0.21052632 0.19736842 + 0. 0.09210526 0. 0.22368421 0.01315789 0. 0. + 0. 0. 0. 0.01315789 0. 0. + 0.01315789 0. 0. 0. 0.73684211 0. 0. + 0. 1. 1. 1. 0.2 0.42105263 + 0.09210526 0. 0. 0. 0. 0.23684211 + 0. 0. 0.03947368 0. 0. 0. 0. + 0. 0. 0. 0. 0. 0. 0. + 0. 0. 0. 0. 0. 0. 0. + 0. 0. 0. 0. ] + +真看不出来两者有什么相似的地方 。。。。