Kibana：Heatmap 可视化介绍及 how-to

https://blog.csdn.net/UbuntuTouch/article/details/109391987

在 Kibana 中，你拥有完整的数据图形表示形式，大多数情况下，这可以通过简单的折线图或条形图来完成。但是每隔一段时间，你就需要采取不同的观点，以充分利用数据。热图是 Kibana 可视化武器库的重要组成部分，值得关注。

什么是 heatmap?
heatmap 是一种可视化类型，它使用颜色显示你要表示的数据的大小。它们用于各种数据和几种不同的类型。对于开发人员世界中的大多数人来说，我们遇到最多的人可能是GitHub Commit Graph。比如下面就是我的 github 的活动图：

上面的图清晰地表明了我在每个月在 github 上的 commit 图。颜色深的代表 commit 多一些，颜色浅代表 commit 少一些。

在 Kibana 中如何运作
现在，Kibana 热图非常适合可视化何时，何地甚至暗示某些事件发生的原因。对于大多数使用 Kibana 的情况，我们正在检查，消化或尝试解释日志数据，那么这对我们有什么帮助？使用热图，如果我们有不同类型或某种形式的分组标签的日志，我们可以轻松地确定最普遍的日志类型。

热图是一个简单的二维矩阵。你最多只能有两个 bucket 聚合，并且只能计算一个指标聚合。这两个 bucket 聚合将定义 X 轴和 Y 轴，而指标将定义单元格中颜色的强度。我们来看一个简单的例子。首先，我们参阅之前文章 “Elasticsearch：透彻理解 Elasticsearch 中的 Bucket aggregation” 的一个索引。

id   user   age   country   category
1   Bill   30   FR   A
2   Marie   32   US   A
3   Clarie   32   US   A
4   Tom   44   DE   B
5   John   40   US   B
6   Emma   26   US   B
在上面的表格中，我们可以看到一个很规整的关于用户的名单。每个用户具有 id，user，age，country 及 category。

我们可以使用如下的命令，把上面的数据导入到 Elasticsearch 中：

POST _bulk
{ "index" : { "_index" : "users", "_id": 1} }
{"user":"bill", "age": 30, "country": "FR", "category": "A"}
{ "index" : { "_index" : "users", "_id": 2} }
{"user":"Marie", "age": 32, "country": "US", "category": "A"}
{ "index" : { "_index" : "users", "_id": 3} }
{"user":"Clarie", "age": 32, "country": "US", "category": "A"}
{ "index" : { "_index" : "users", "_id": 4} }
{"user":"Tom", "age": 44, "country": "DE", "category": "B"}
{ "index" : { "_index" : "users", "_id": 5} }
{"user":"John", "age": 40, "country": "US", "category": "B"}
{ "index" : { "_index" : "users", "_id": 6} }
{"user":"Emma", "age": 26, "country": "US", "category": "B"}
等导入上面的数据后，我们可以通过如下的命令来查看 users 这个索引：

GET _cat/indices/users?v
上面的命令将显示如下的内容：

health status index uuid pri rep docs.count docs.deleted store.size pri.store.size
yellow open users X3lrW6b4RueGzXr09lUkPQ 1 1 6 0 5.5kb 5.5kb
创建 heatmap 可视化
为了能够实现可视化化，我们必须为上面的 users 索引创建一个 index pattern:

点击 Next step：

点击 Create index pattern 按钮，这样我们的 users 索引模式就创建好了。

我们接下来创建 heatmap。如上面所述，我们需要有有两个 bucket 来分别标明 x 轴及 y 轴。针对我们的设计，我们想针对 category 以及 country 来显示平均年龄的情况。我们选择 heatmap 可视化来完成这个个工作。

我选择 x 轴上为 country.keyword。点击上面的 Add 链接：

选择添加 Y-axis：

我们选择 category.keyword 为 Y 轴上的聚合。点击 Update 按钮。上面显示的是文档的个数，虽然这个不是我们需要的。我们重新设置指标：计算平均年龄：

从上面的图中，我们可以看出来 category 为 B，并且 country 为 DE 的年龄最大，因为它显示的颜色最深。同时 country 为 FR, category 为 A 的平均年龄最小，颜色最浅。

我们甚至可以点击上面的 Inspect 来查看数据：

从上面，我们可以看到数据的显示情况。你如果有兴趣的话，也可以直接下载 csv 文件。

我们也可以点击上面的 Requests：

我们可以看到请求的命令。我们甚至直接可以把上面的命令拷贝到 Dev Tools 中去运行：

GET users/_search
{
"aggs": {
"2": {
"terms": {
"field": "country.keyword",
"order": {
"1": "desc"
},
"size": 5
},
"aggs": {
"1": {
"avg": {
"field": "age"
}
},
"3": {
"terms": {
"field": "category.keyword",
"order": {
"1": "desc"
},
"size": 5
},
"aggs": {
"1": {
"avg": {
"field": "age"
}
}
}
}
}
}
},
"size": 0,
"stored_fields": [
"*"
],
"script_fields": {},
"docvalue_fields": [],
"_source": {
"excludes": []
},
"query": {
"bool": {
"must": [],
"filter": [
{
"match_all": {}
}
],
"should": [],
"must_not": []
}
}
}
我们可以看到运行的结果是：

{
"took" : 1,
"timed_out" : false,
"_shards" : {
"total" : 1,
"successful" : 1,
"skipped" : 0,
"failed" : 0
},
"hits" : {
"total" : {
"value" : 6,
"relation" : "eq"
},
"max_score" : null,
"hits" : [ ]
},
"aggregations" : {
"2" : {
"doc_count_error_upper_bound" : 0,
"sum_other_doc_count" : 0,
"buckets" : [
{
"key" : "DE",
"doc_count" : 1,
"1" : {
"value" : 44.0
},
"3" : {
"doc_count_error_upper_bound" : 0,
"sum_other_doc_count" : 0,
"buckets" : [
{
"key" : "B",
"doc_count" : 1,
"1" : {
"value" : 44.0
}
}
]
}
},
{
"key" : "US",
"doc_count" : 4,
"1" : {
"value" : 32.5
},
"3" : {
"doc_count_error_upper_bound" : 0,
"sum_other_doc_count" : 0,
"buckets" : [
{
"key" : "B",
"doc_count" : 2,
"1" : {
"value" : 33.0
}
},
{
"key" : "A",
"doc_count" : 2,
"1" : {
"value" : 32.0
}
}
]
}
},
{
"key" : "FR",
"doc_count" : 1,
"1" : {
"value" : 30.0
},
"3" : {
"doc_count_error_upper_bound" : 0,
"sum_other_doc_count" : 0,
"buckets" : [
{
"key" : "A",
"doc_count" : 1,
"1" : {
"value" : 30.0
}
}
]
}
}
]
}
}
}

Kibana：Heatmap 可视化介绍及 how-to相关推荐

如何使用Elasticsearch，Logstash和Kibana实时可视化Python中的日志
by Ritvik Khanna Ritvik Khanna着如何使用Elasticsearch,Logstash和Kibana实时可视化Python中的日志 (How to use Elastic ...
2D人体姿态识别-Human3.6M与COCO数据集中，各人体骨骼关键点可视化及对应关节标注顺序（heatmap可视化，热力图和原图融合显示)
003-2.processData 文章目录前言一.最终结果展示 1. Human3.6M数据集中32个人体关键点可视化及含义 2. COCO数据集中19个人体关键点可视化及含义 3. Human ...
基于Kibana的可视化监控报警插件 KAAE 的配置
前言可视化监控报警插件 KAAE:Kibi + Kibana Alert & Report App for Elasticsearch. 最近搭建了ELK系统,便想在此基础上做一个基于Kib ...
python绘制相关性矩阵_python seaborn heatmap可视化相关性矩阵实例
方法import pandas as pd import numpy as np import seaborn as sns df = pd.DataFrame(np.random.randn(50) ...
python seaborn heatmap可视化相关性矩阵
python seaborn heatmap可视化相关性矩阵方法方法 import pandas as pd import numpy as np import seaborn as sns df ...
EKL日志分析平台-kibana数据可视化
目录简介实验环境安装kibana 可视化内部信息查询启用xpack验证连接elastic head连接优化 metricbeat 下载 filebeatElasticsearch mod ...
Android 入门第二讲03-约束布局ConstraintLayout（可视化介绍，Chains链，MATCH_CONSTRAIN，百分比布局，圆形定位，Guideline，Barrier）
Android 入门第二讲03-约束布局ConstraintLayout(可视化介绍,Chains链,MATCH_CONSTRAIN,百分比布局,圆形定位,Guideline,Barrier) 1.可 ...
ELK日志分析平台（三）— kibana数据可视化、kibana监控、采集日志插件filebeat
1.kibana数据可视化--日志分析 [root@foundation50 network-scripts]# cd /mnt/pub/docs/elk/7.6/ [root@foundation5 ...
如何在R语言中建立六边形矩阵热图heatmap可视化
原文链接:http://tecdat.cn/?p=18879 这是一个六边形热图可视化程序,主要用到的知识RColorBrewer,fields,也就是R中的可视化绘图库(点击文末"阅读原文 ...
kibana数据可视化
kibana简介 Kibana 核心产品搭载了一批经典功能:柱状图.线状图.饼图.旭日图,等等. 将地理数据融入任何地图精选的时序性 UI,对您Elasticsearch 中的数据执行高级时间序列分 ...

Kibana：Heatmap 可视化介绍及 how-to

Kibana：Heatmap 可视化介绍及 how-to相关推荐

最新文章

热门文章