主要内容：

  • 提出问题
  • 清洗数据
  • 相关性验证
  • 一些结论

提出问题

  • 测试时间是否和电脑的配置和性能相关？

数据清洗

测试时间

  • 抓取UIlog，并使用脚本computer_test_log.py筛选测试log，并生成csv文件
  • 测试时间平均值，剔除两端异常数据，EXCEL函数TRIMMEAN(array,percent)
  • 测试时间相对值，将测试时间平均值/各站平均值的平均值

电脑配置和性能数据

  • Memory/ CPU/ Disk Score直接可以透过捞取历史数据获取
  • 平均温度，捞取3天数据中温度最高的50个值的平均值，测试时温度高，不测试时温度低
  • 平均CPU Loading，捞取3天数据中CPU最高的50个值的平均值，测试时CPU高，不测试时CPU低
  • 平均Memory Loading，通过手动分析Memory貌似不跟随停线状况变化，故捞取3天数据中Memory最低的100个值的平均值

数据清洗结果

data-filt

相关性验证

  • 使用jupyter Notbook工具和corr方法分析不够直观
  • 使用R语言，生成热力图更直观，参考链接：https://www.jianshu.com/p/bb3c55abafe4
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

data("attitude")
Ca <- cor(attitude)#cor的结果就是矩阵

library(gplots)
library(RColorBrewer)
coul <- colorRampPalette(brewer.pal(8, "PiYG"))(25)#换个好看的颜色
hM <- format(round(Ca, 2))#对数据保留2位小数

heatmap.2(Ca,
trace="none",#不显示trace
col=coul,#修改热图颜色
density.info = "none",#图例取消density
key.xlab ='Correlation',
key.title = "",
cexRow = 1,cexCol = 1,#修改横纵坐标字体
Rowv = F,Colv = F, #去除聚类
margins = c(6, 6),
cellnote = hM,notecol='black'#添加相关系数的值及修改字体颜色
            )

所有数据

all

CT站

CT

CU站

CU

DK站

DK

TT站

TT

一些结论

  • CT站测试时间和CPU Loading成强相关
  • CU站测试时间和CPU分数成中等相关
  • DK站数据过少，测试时间和CPU Score、CPU Loading、CPU温度、Memory Score、剩余memory成强相关
  • TT站测试时间和CPU Score、CPU温度、CPU Loading成中等相关
  • 整体来看不太容易发现测试时间和电脑性能和配置的相关性，只是和CPU分数成中等相关

参考资料

相关系数：

  • 0.8-1.0 极强相关
  • 0.6-0.8 强相关
  • 0.4-0.6 中等程度相关
  • 0.2-0.4 弱相关
  • 0.0-0.2 极弱相关或无相关

参考链接：