| 1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374757677787980818283848586878889 |
- import pandas as pd
- import json
- from datetime import datetime
- import matplotlib.pyplot as plt
- # 设置Matplotlib的默认字体
- plt.rcParams['font.sans-serif'] = ['SimHei'] # 'SimHei' 是一种支持中文的字体
- plt.rcParams['axes.unicode_minus'] = False # 正确显示负号
- # 读取和解析日志文件
- def load_log_to_df(filepath):
- data = []
- with open(filepath, 'r') as file:
- for line in file:
- try:
- timestamp = line[:19]
- json_str = line[20:]
- json_data = json.loads(json_str)
- # json_data 的所有key-value
- for key, value in json_data.items():
- # print(f"key: {key}, value: {value}")
- # 假设每条记录都包含uid和timestamp，你可能需要根据实际记录结构调整
- data.append({'uid': key, 'timestamp': timestamp, 'bet_count': value['bet_count'],
- 'betAmount': value['betAmount']})
- except json.JSONDecodeError:
- continue
- return pd.DataFrame(data)
- # 按每小时的下注频率和其他用户的差异来区分机器人用户
- def parse_by_user_hour_bet():
- # 将时间戳转换为小时（这里假设timestamp是以某种格式的字符串存储）
- df['timestamp'] = pd.to_datetime(df['timestamp'])
- df['hour'] = df['timestamp'].dt.hour
- # 计算每个用户在每个小时的活动次数
- activity_by_hour = df.groupby(['uid', 'hour']).size().unstack(fill_value=0)
- # 计算标准差来评估活动的均匀程度
- activity_std = activity_by_hour.std(axis=1)
- # 识别疑似机器人用户
- threshold = activity_std.quantile(0.95)
- suspected_bots = activity_std[activity_std > threshold].index
- robot_user = list(suspected_bots)
- print(f"疑似机器人数量{len(robot_user)}\n用户ID列表: {robot_user}")
- # 可视化
- activity_std.hist(bins=30)
- plt.title('用户活动时间标准差分布')
- plt.xlabel('标准差')
- plt.ylabel('用户数量')
- plt.show()
- # 通过用户活跃时间段来判断
- def parse_by_user_activity_time_wide():
- percent = 0.99 # 时间覆盖率
- # 将时间戳转换为小时（这里假设timestamp是以某种格式的字符串存储）
- df['timestamp'] = pd.to_datetime(df['timestamp'])
- # 创建新列，将日期和小时合并为字符串形式
- df['date_hour'] = df['timestamp'].dt.strftime('%Y-%m-%d_%H')
- # 确定有活动记录的小时
- active_hours = df['date_hour'].unique()
- # 计算每个用户在哪些小时有活动
- user_hours = df.groupby('uid')['date_hour'].apply(set)
- # 计算活动时间覆盖率
- user_coverage = user_hours.apply(lambda x: len(x) / len(active_hours))
- # 识别疑似机器人：以活动时间覆盖率的percent%分位数为阈值
- threshold = user_coverage.quantile(percent)
- suspected_bots = user_coverage[user_coverage > threshold].index
- # 打印疑似机器人数量和ID列表
- print(f"疑似机器人数量: {len(suspected_bots)}")
- print(f"用户ID列表: {list(suspected_bots)}")
- # 可视化活动时间覆盖率分布
- plt.hist(user_coverage, bins=40, alpha=0.7)
- plt.axvline(x=threshold, color='r', linestyle='--', label=f'{percent * 100}%分位数阈值')
- plt.title('用户活动时间覆盖率分布')
- plt.xlabel('活动时间覆盖率')
- plt.ylabel('用户数量')
- plt.legend()
- plt.show()
- if __name__ == '__main__':
- # 将日志文件转换为DataFrame
- df = load_log_to_df('../用户记录.txt')
- # parse_by_user_hour_bet()
- parse_by_user_activity_time_wide()
|
