Hatchet项目使用指南:高效分析层次化性能数据
2025-06-03 14:50:13作者:何举烈Damon
项目概述
Hatchet是一个专为分析层次化性能数据设计的Python工具,特别适合处理调用上下文树(Calling Context Tree)等结构化性能数据。该项目巧妙地将pandas数据框与图结构相结合,为性能分析工程师提供了强大的数据处理能力。
核心数据结构
GraphFrame结构
GraphFrame是Hatchet的核心数据结构,它由两个主要部分组成:
- Graph对象:存储节点间的边关系,形成有向图结构
- DataFrame对象:存储每个节点关联的数值指标和分类数据
这种设计使得性能数据既保持了层次关系,又能利用pandas强大的数据分析能力。GraphFrame支持从多种格式导入数据,包括HPCToolkit数据库、Caliper JSON/Cali文件和gprof/callgrind DOT文件等。
节点与路径表示
- 每个节点包含一个frame(由读取器定义)
- 调用路径通过从根节点到目标节点的frame串联形成
- 支持多进程数据,使用节点和MPI rank组成的多级索引
数据导入方法
Hatchet提供了多种便捷的数据导入方式:
# 从HPCToolkit数据库导入
gf = ht.GraphFrame.from_hpctoolkit("database_directory")
# 从Caliper JSON文件导入
gf = ht.GraphFrame.from_caliper("profile.json")
数据可视化技术
Hatchet支持多种可视化方式,满足不同场景需求:
1. 终端树形输出
print(gf.tree())
这种方法适合快速查看小型调用树的结构。
2. Graphviz DOT格式
with open("output.dot", "w") as f:
f.write(gf.to_dot())
生成DOT文件后,可使用Graphviz工具生成PDF等格式的图形。
3. 火焰图格式
with open("flame.txt", "w") as f:
f.write(gf.to_flamegraph())
生成的折叠堆栈文件可用flamegraph.pl脚本转换为SVG火焰图。
4. Jupyter交互式可视化
Hatchet提供了Jupyter notebook的交互式可视化功能,支持:
- 鼠标选择节点查看元数据
- 动态隐藏/显示节点
- 生成查询路径用于后续分析
数据框操作
数据过滤
# 使用lambda表达式过滤
filtered_gf = gf.filter(lambda x: x['time'] > 10.0)
# 使用查询对象过滤
query = [
{"name": "solvers"},
("*", {"time (inc)": "> 10"}),
{"name": "p[a-z]+[0-9]", "time (inc)": ">= 10"}
]
filtered_gf = gf.filter(query)
查询对象语法说明:
.
匹配一个节点*
匹配零或多个节点+
匹配一个或多个节点- 数字 匹配确切数量的节点
- 字典 定义节点过滤条件
数据聚合
# 按节点聚合多进程数据
gf.drop_index_levels(function=np.max)
图结构操作
遍历与压缩
# 前序遍历所有节点
for node in gf.graph.traverse():
print(node)
# 压缩过滤后的图结构
squashed_gf = filtered_gf.squash()
压缩操作会:
- 移除被过滤掉的节点
- 重新连接剩余节点的边关系
- 重新计算包含性指标
图比较与合并
# 图等价性检查
if gf1 == gf2:
print("Graphs are equivalent")
# 图合并
unified_gf = gf1.union(gf2)
GraphFrame运算
基本操作
# 复制
gf_copy = gf.copy()
# 深度复制
gf_deepcopy = gf.deepcopy()
数学运算
# 加法运算
result_gf = gf1 + gf2
# 减法运算
result_gf = gf1 - gf2
# 或使用原地操作
gf1 -= gf2
数学运算前会自动执行图合并和重索引操作,确保运算正确性。
最佳实践建议
- 过滤后压缩:执行filter操作后,建议立即执行squash以保持数据一致性
- 指标更新:图结构改变后,使用calculate_inclusive_metrics更新包含性指标
- 可视化选择:根据数据规模选择合适的可视化方式
- 小型数据:终端树形输出
- 中型数据:Graphviz图形
- 大型数据:火焰图
- 交互分析:在Jupyter环境中使用交互式可视化探索数据
通过掌握这些功能,性能分析工程师可以高效地处理和分析复杂的层次化性能数据,快速定位性能瓶颈和优化机会。
登录后查看全文
热门项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++045Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0289Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
165
2.05 K

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
954
563

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
16

基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0

喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
17
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
408
387

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
78
71

无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
14
1