关于日常性指标提取AI辅助案例分享

1、工作背景需求       

在日常工作中，更新工参、升级操作等，需从网管中提取最新数据，下载后再重复整理，如下表：经数据整理后，最终想要保留的是Nodeid列、usedAddress列中IP地址。

2、AI工具安装与应用实例

以往需要手动制作宏工具或者在表格内编辑公式，现在借助AI工具可以实现自动化处理，可以在个人电脑中安装以下软件：

      在安装好上述软件后，即完成了第一步的工作环境搭建；第二步AI工具应用：先打开TRAE IDE工具，用准备好的提示词，可以通过自然语言跟SOLO Coder聊天，期间等待其生成、测试以及工具导出；第三步结果验证：将生成的python程序，在pycharm中打开，运行即可，若结果与预期一致，则可做专题保存；否则，继续回到第二步中调试。

运行结果如下：可以新定义一个文件夹，每次放入新的网管ip.txt地址文件，经过pycharm运行程序后，生成的traffic_oam_processed文件内容就是想要的结果。

需要注意的是：文中的表格内信息是“隐”去敏感信息的，喂给AI部分也是如此，敏感数据不能网上“裸奔”。

3、案例代码展示

import pandas as pd
import re

def process_traffic_data(input_file, output_file='output.csv',
node_id_col=0, router_id_col=2, used_addr_col=5, chunk_size=10_000):
"""
5G流量数据处理：筛选Traffic_OAM节点并仅保留usedAddress中的IP地址

Args:
input_file: 输入TXT文件路径
output_file: 输出CSV文件路径
node_id_col: NodeId所在列索引（从0开始）
router_id_col: RouterId所在列索引（用于筛选Traffic_OAM）
used_addr_col: usedAddress所在列索引
chunk_size: 分块处理大小（大文件适用）
"""
try:
# 1. 探测文件表头信息
with open(input_file, 'r', encoding='utf-8') as f:
for _ in range(3):
f.readline() # 跳过前3行
header_line = f.readline().strip()
col_count = len(re.split(r'\\s+', header_line))

# 验证列索引是否有效
if max(node_id_col, router_id_col, used_addr_col) >= col_count:
print(f"错误：列索引超出范围（共{col_count}列，索引范围0~{col_count – 1}）")
return

# 2. 分块读取与处理
reader = pd.read_csv(
input_file,
sep=r'\\s+', header=3, encoding='utf-8',
engine='python', chunksize=chunk_size
)

result_chunks = []
total_rows = 0

for chunk in reader:
# 选择需要的列：NodeId, RouterId, usedAddress
selected_cols = [node_id_col, router_id_col, used_addr_col]
chunk = chunk.iloc[:, selected_cols]
chunk.columns = ['NodeId', 'RouterId', 'usedAddress']

# 筛选Traffic_OAM记录（基于RouterId列）
mask = chunk['RouterId'].str.contains('Traffic_OAM', na=False)
filtered = chunk[mask]

if not filtered.empty:
# 提取IP地址（仅保留第一个'/'前的内容）
filtered['usedAddress'] = filtered['usedAddress'].str.split('/', n=1).str[0]

# 仅保留NodeId和处理后的IP地址
filtered = filtered[['NodeId', 'usedAddress']]

result_chunks.append(filtered)
total_rows += len(filtered)

if not result_chunks:
print("未找到包含'Traffic_OAM'的记录")
return

# 3. 合并结果并保存
result_df = pd.concat(result_chunks, ignore_index=True)
result_df.to_csv(output_file, index=False, encoding='utf-8')
print(f"处理完成！共筛选到 {total_rows} 条记录，已保存至 {output_file}")
return result_df

except FileNotFoundError:
print(f"错误：文件 '{input_file}' 未找到")
except Exception as e:
print(f"处理错误：{str(e)}")

if __name__ == "__main__":
input_path = r"E:\\pathon\\in_out\\5g_ip\\5g_ip.txt"
output_path = r"E:\\pathon\\in_out\\5g_ip\\traffic_oam_processed.csv"

# 修正参数：node_id_col=0（原始NodeId列），router_id_col=2（用于筛选）
result = process_traffic_data(input_path, output_path,
node_id_col=0, router_id_col=2, used_addr_col=5)

if result is not None:
print("\\n数据预览（仅保留NodeId和IP地址）：")
print(result.head())