在进行性能测试时，我们需要对测试结果进行监控和分析，以便于及时发现问题并进行优化。 Locust在内存中维护了一个时间序列数据结构，用于存储每个事件的统计信息。 这个数据结构允许我们在Charts标签页中查看不同时间点的性能指标，但是正因为Locust WebUI上展示的数据实际上是存储在内存中的。所以在Locust测试结束后，这些数据将不再可用。 如果我们需要长期保存以便后续分析测试数据，可以考虑将Locust的测试数据上报到外部的数据存储系统，如InfluxDB，并使用Grafana等可视化工具进行展示和分析。

前言：Pandas的数据操作中，最基本的就是操作的筛选了，但是对新学员来说的这又是一个难点，因为方法比较多，不容易记。在此总结一下pandas中的一些常用的数据筛选操作。

一、首先需要思考，我们在页面导出excel，用python导出如何写入文件的 封装前需要确认python导出excel接口返回的是一个什么样的数据类型 如下：我们先看下不对返回结果做处理，直接接收数据类型是一个对象，无法获取返回值

无效数据是指不符合数据收集目的或数据收集标准的数据。这些数据可能来自于不准确的测量、缺失值、错误标注、虚假的数据源或其他问题。无效数据可能会对数据分析结果产生误导，因此需要在数据分析之前进行过滤和处理。

本着 「路漫漫其修远兮, 吾将上下而求索」 的精神。终于要开始深入研究 Python 中 asyncio 的源码实现啦。 本文章可能篇幅较长，因为是逐行分析 asyncio 的实现，也需要读者具有一定的 asyncio 编码经验和功底，推荐刚开始踏上 Python 异步编程之旅的朋友们可以先从官方文档入手，由浅入深步步为营。 若在读的你对此感兴趣，那么很开心能与你分享我的学习成果。 本次源码分析将在 Python 3.11.3 的版本上进行探索。