Не удалось выполнить цель org.codehaus.mojo: exec-maven-plugin: 1.2.1: exec (default-cli) в проекте SpringData

Рефакторинг кода

Чтобы понять, что не так с этим кодом, мы в первую очередь переходим к рефакторингу:

Класс для моделирования ожидаемых сообщений

Настроить этот класс необходимо для симуляции среднего сообщения от вашего Kafka.

class Message:
    """Class to simulate expected Kafka message."""
    def __init__(self):
        self.value = "10,20,30,40".encode()

Генератор случайных сообщений

Настройте этот генератор для имитации правдоподобного сообщения от Kafka.

import random
import time

def message_generator(n):
    """Yield a generated Kafka message."""
    for i in range(n):
        time.sleep(random.uniform(0, 0.001))
        yield Message()

Рефакторизованный код

Прежде чем перейти к любому рассмотрению кода, давайте немного обработаем этот код, используя numpy vstack и append для расширения массивов, кроме определения некоторых констант. Я также переименовал array в my_array.

import numpy as np
my_array, sums = np.empty((0, 4)), np.empty((1))
STEP = 60
MESSAGES = 100000   
MAX_MEAN = 219000 

for i, message in enumerate(message_generator(MESSAGES)):
    values = np.array(message.value.decode("utf-8").split(',')).astype(float)
    my_array = np.vstack([my_array, values])
    if i % STEP == 0 and i > STEP:
        sums = np.append(sums, np.sum(my_array[i - STEP:i, 3]))
        l = np.arange(0, len(sums), 24)
        if np.mean(sums[l]) >= MAX_MEAN:
            print("Large ortalama")

Обозначение кода

Развенчание вашего утверждения о том, что любая проблема с np.arange

Теперь , ваш код создает список l значений, от 0 до len(sums), с шагом 24. Нет ничего плохого в np.arange.

Что делает ваш код

У вас есть массив sums, к которому вы добавляете каждые 60 итераций сумму последних 60 итераций третий столбец вашего массива my_array.

Затем вы переходите к генерации l, а затем создаете среднее значение из значений sums с индексами из l. Это зависит только от получаемых вами сообщений.

Когда такое значение больше или равно заданному MAX_MEAN, вы печатаете сообщение.

Репликация ядра

Предположим, что сумма каждого окна является константой constant_sum. Назовем множество этих констант elements. Очевидно, что ваше среднее значение ortalama равно constant_sum.

Как вы можете видеть, elements_step упрощается от функции и рассматривается только в функции входных сообщений.

elements = np.array([])
elements_step = 5
constant_sum = 1000
upper_limit = 10000
for i in range(1000):
    elements = np.append(elements, constant_sum)
    l = np.arange(0, len(elements), elements_step)
    ortalama = np.mean(elements[l])
    if ortalama >= upper_limit:
        print("Large ortalama")