怎么样使用MongoDB中强大的统计框架Aggregation?
怎么样使用MongoDB中强大的统计框架Aggregation?
听说项目里面Aggregation用的多,那就专门针对这个多多练习一下。
基本的操作包括:
•$project - 可以从子文档中提取字段,可以重命名字段
•$match - 可以实现查找的功能
•$limit - 接受一个数字n,返回结果集中的前n个文档。
•$skip - 接受一个数字n,丢弃结果集中的前n个文档。效率比较低,依然会遍历前n个文档。
•$unwind - 可以将一个包含数组的文档切分成多个, 比如你的文档有 中有个数组字段 A, A中有10个元素, 那么经过 $unwind处理后会产生10个文档,这些文档只有 字段 A不同
•$group - 统计操作, 还提供了一系列子命令
–$avg, $sum …
•$sort - 排序
Python篇
实验一、学生数据统计
1、生成学生数据:
#!/usr/bin/env python # coding=utf-8 from pymongo import MongoClient from random import randint name1 = ["yang ", "li ", "zhou "] name2 = [ "chao", "hao", "gao", "qi gao", "hao hao", "gao gao", "chao hao", "ji gao", "ji hao", "li gao", "li hao", ] provinces = [ "guang dong", "guang xi", "shan dong", "shan xi", "he nan" ] client = MongoClient('localhost', 27017) db = client.student sm = db.smessage sm.remove() for i in range(1, 100): name = name1[randint(0, 2)] + name2[randint(0, 10)] province = provinces[randint(0, 4)] new_student = { "name": name, "age": randint(1, 30), "province": province, "subject": [ {"name": "chinese", "score": randint(0, 100)}, {"name": "math", "score": randint(0, 100)}, {"name": "english", "score": randint(0, 100)}, {"name": "chemic", "score": randint(0, 100)}, ]} print new_student sm.insert_one(new_student) print sm.count()
好了,现在数据库里面有100条学生数据了。
现在我要得到广东学生的平均年龄,在mongo控制台输入:
如果想到得到所有省份的平均年龄,那就更加简单了:
db.smessage.aggregate( {$match: {province: "guang dong"}} ) { "_id" : "guang xi", "age" : 15.19047619047619 } { "_id" : "guang dong", "age" : 16.05263157894737 } { "_id" : "shan dong", "age" : 17.44 } { "_id" : "he nan", "age" : 20 } { "_id" : "shan xi", "age" : 16.41176470588235 }
如果想得到广东省所有科目的平均成绩:
db.smessage.aggregate( {$match: {province: "guang dong"}}, {$unwind: "$subject"}, {$group: { _id: {province:"$province",sujname:"$subject.name"}, per:{$avg:"$subject.score"}}} )
加上排序:
db.smessage.aggregate( {$match: {province: "guang dong"}}, {$unwind: "$subject"}, {$group: { _id: {province:"$province",sujname:"$subject.name"}, per:{$avg:"$subject.score"}}}, {$sort:{per:1}} )
实验二、寻找发帖水王
有一个保存着杂志文章的集合,你可能希望找出发表文章最多的那个作者。假设每篇文章被保存为MongoDB中的一个文档。
1、插入数据
#!/usr/bin/env python # coding=utf-8 from pymongo import MongoClient from random import randint name = [ 'yangx', 'yxxx', 'laok', 'kkk', 'ji', 'gaoxiao', 'laoj', 'meimei', 'jj', 'manwang', ] title = [ '123', '321', '12', '21', 'aaa', 'bbb', 'ccc', 'sss', 'aaaa', 'cccc', ] client = MongoClient('localhost', 30999) db = client.test bbs = db.bbs bbs.remove() for i in range(1, 10000): na = name[randint(0, 9)] ti = title[randint(0, 9)] newcard = { 'author': na, 'title': ti, } bbs.insert_one(newcard) print bbs.count()
现在我们拥有了10000条文章数据了。
2、用$project将author字段投射出来
{"$project": {"author":1}}
这个语法与查询中的字段选择器比较像:可以通过指定"fieldname" : 1选择需要投射的字段,或者通过指定"fieldname":0排除不需要的字段。
执行完这个"$project"操作之后,结果集中的每个文档都会以{"_id" : id, "author" : "authorName"}这样的形式表示。这些结果只会在内存中存在,不会被写入磁盘。
3、用group将作者名称分组
{"group":{"_id":"$author","count":{"$sum":1}}}
这样就会将作者按照名字排序,某个作者的名字每出现一次,就会对这个作者的"count"加1。
这里首先指定了需要进行分组的字段"author"。这是由"_id" : "$author"指定的。可以将这个操作想象为:这个操作执行完后,每个作者只对应一个结果文档,所以"author"就成了文档的唯一标识符("_id")。
第二个字段的意思是为分组内每个文档的"count"字段加1。注意,新加入的文档中并不会有"count"字段;这"$group"创建的一个新字段。
执行完这一步之后,结果集中的每个文档会是这样的结构:{"_id" : "authorName", "count" : articleCount}。
4、用sort排序
{"$sort" : {"count" : -1}}
这个操作会对结果集中的文档根据"count"字段进行降序排列。
5、限制结果为前5个文档
{"$limit" : 5}
这个操作将最终的返回结果限制为当前结果中的前5个文档。
在MongoDB中实际运行时,要将这些操作分别传给aggregate()函数:
> db.articles.aggregate({"$project" : {"author" : 1}}, ... {"$group" : {"_id" : "$author", "count" : {"$sum" : 1}}}, ... {"$sort" : {"count" : -1}}, ... {"$limit" : 5} ... )
aggregate()会返回一个文档数组,其中的内容是发表文章最多的5个作者。
{ "_id" : "yangx", "count" : 1028 } { "_id" : "laok", "count" : 1027 } { "_id" : "kkk", "count" : 1012 } { "_id" : "yxxx", "count" : 1010 } { "_id" : "ji", "count" : 1007 }
我在db中造了些数据(数据时随机生成的, 能用即可),没有建索引,文档结构如下:
Document结构:
{ "_id" : ObjectId("509944545"), "province" : "海南", "age" : 21, "subjects" : [ { "name":"语文", "score" : 53 }, { "name":"数学", "score" : 27 }, { "name":"英语", "score" : 35 } ], "name" : "刘雨" }
接下来要实现两个功能:
- 统计上海学生平均年龄
- 统计每个省各科平均成绩
接下来一一道来
统计上海学生平均年龄
从这个需求来讲,要实现功能要有几个步骤: 1. 找出上海的学生. 2. 统计平均年龄 (当然也可以先算出所有省份的平均值再找出上海的)。如此思路也就清晰了
首先上 $match, 取出上海学生
{$match:{'province':'上海'}}
接下来 用 $group 统计平均年龄
{$group:{_id:'$province',$avg:'$age'}}
$avg 是 $group的子命令,用于求平均值,类似的还有 $sum, $max ....
上面两个命令等价于
select province, avg(age) from student where province = '上海' group by province
下面是Java代码
Mongo m = new Mongo("localhost", 27017); DB db = m.getDB("test"); DBCollection coll = db.getCollection("student"); /*创建 $match, 作用相当于query*/ DBObject match = new BasicDBObject("$match", new BasicDBObject("province", "上海")); /* Group操作*/ DBObject groupFields = new BasicDBObject("_id", "$province"); groupFields.put("AvgAge", new BasicDBObject("$avg", "$age")); DBObject group = new BasicDBObject("$group", groupFields); /* 查看Group结果 */ AggregationOutput output = coll.aggregate(match, group); // 执行 aggregation命令 System.out.println(output.getCommandResult());
输出结果:
{ "serverUsed" : "localhost/127.0.0.1:27017" , "result" : [ { "_id" : "上海" , "AvgAge" : 32.09375} ] , "ok" : 1.0 }
如此工程就结束了,再看另外一个需求
统计每个省各科平均成绩
首先更具数据库文档结构,subjects是数组形式,需要先‘劈'开,然后再进行统计
主要处理步骤如下:
1. 先用$unwind 拆数组 2. 按照 province, subject 分租并求各科目平均分
$unwind 拆数组
{$unwind:'$subjects'}
按照 province, subject 分组,并求平均分
{$group:{ _id:{ subjname:”$subjects.name”, // 指定group字段之一 subjects.name, 并重命名为 subjname province:'$province' // 指定group字段之一 province, 并重命名为 province(没变) }, AvgScore:{ $avg:”$subjects.score” // 对 subjects.score 求平均 } }
java代码如下:
Mongo m = new Mongo("localhost", 27017); DB db = m.getDB("test"); DBCollection coll = db.getCollection("student"); /* 创建 $unwind 操作, 用于切分数组*/ DBObject unwind = new BasicDBObject("$unwind", "$subjects"); /* Group操作*/ DBObject groupFields = new BasicDBObject("_id", new BasicDBObject("subjname", "$subjects.name").append("province", "$province")); groupFields.put("AvgScore", new BasicDBObject("$avg", "$subjects.scores")); DBObject group = new BasicDBObject("$group", groupFields); /* 查看Group结果 */ AggregationOutput output = coll.aggregate(unwind, group); // 执行 aggregation命令 System.out.println(output.getCommandResult());
输出结果
{ "serverUsed" : "localhost/127.0.0.1:27017" , "result" : [ { "_id" : { "subjname" : "英语" , "province" : "海南"} , "AvgScore" : 58.1} , { "_id" : { "subjname" : "数学" , "province" : "海南"} , "AvgScore" : 60.485} , { "_id" : { "subjname" : "语文" , "province" : "江西"} , "AvgScore" : 55.538} , { "_id" : { "subjname" : "英语" , "province" : "上海"} , "AvgScore" : 57.65625} , { "_id" : { "subjname" : "数学" , "province" : "广东"} , "AvgScore" : 56.690} , { "_id" : { "subjname" : "数学" , "province" : "上海"} , "AvgScore" : 55.671875} , { "_id" : { "subjname" : "语文" , "province" : "上海"} , "AvgScore" : 56.734375} , { "_id" : { "subjname" : "英语" , "province" : "云南"} , "AvgScore" : 55.7301 } , . . . . "ok" : 1.0 }
统计就此结束.... 稍等,似乎有点太粗糙了,虽然统计出来的,但是根本没法看,同一个省份的科目都不在一起。囧
接下来进行下加强,
支线任务: 将同一省份的科目成绩统计到一起( 即,期望 'province':'xxxxx', avgscores:[ {'xxx':xxx}, ....] 这样的形式)
要做的有一件事,在前面的统计结果的基础上,先用 $project 将平均分和成绩揉到一起,即形如下面的样子
{ "subjinfo" : { "subjname" : "英语" ,"AvgScores" : 58.1 } ,"province" : "海南" }
再按省份group,将各科目的平均分push到一块,命令如下:
$project 重构group结果
{$project:{province:"$_id.province", subjinfo:{"subjname":"$_id.subjname", "avgscore":"$AvgScore"}}
$使用 group 再次分组
{$group:{_id:"$province", avginfo:{$push:"$subjinfo"}}}
java 代码如下:
Mongo m = new Mongo("localhost", 27017); DB db = m.getDB("test"); DBCollection coll = db.getCollection("student"); /* 创建 $unwind 操作, 用于切分数组*/ DBObject unwind = new BasicDBObject("$unwind", "$subjects"); /* Group操作*/ DBObject groupFields = new BasicDBObject("_id", new BasicDBObject("subjname", "$subjects.name").append("province", "$province")); groupFields.put("AvgScore", new BasicDBObject("$avg", "$subjects.scores")); DBObject group = new BasicDBObject("$group", groupFields); /* Reshape Group Result*/ DBObject projectFields = new BasicDBObject(); projectFields.put("province", "$_id.province"); projectFields.put("subjinfo", new BasicDBObject("subjname","$_id.subjname").append("avgscore", "$AvgScore")); DBObject project = new BasicDBObject("$project", projectFields); /* 将结果push到一起*/ DBObject groupAgainFields = new BasicDBObject("_id", "$province"); groupAgainFields.put("avginfo", new BasicDBObject("$push", "$subjinfo")); DBObject reshapeGroup = new BasicDBObject("$group", groupAgainFields); /* 查看Group结果 */ AggregationOutput output = coll.aggregate(unwind, group, project, reshapeGroup); System.out.println(output.getCommandResult());
结果如下:
{ "serverUsed" : "localhost/127.0.0.1:27017" , "result" : [ { "_id" : "辽宁" , "avginfo" : [ { "subjname" : "数学" , "avgscore" : 56.46666666666667} , { "subjname" : "英语" , "avgscore" : 52.093333333333334} , { "subjname" : "语文" , "avgscore" : 50.53333333333333}]} , { "_id" : "四川" , "avginfo" : [ { "subjname" : "数学" , "avgscore" : 52.72727272727273} , { "subjname" : "英语" , "avgscore" : 55.90909090909091} , { "subjname" : "语文" , "avgscore" : 57.59090909090909}]} , { "_id" : "重庆" , "avginfo" : [ { "subjname" : "语文" , "avgscore" : 56.077922077922075} , { "subjname" : "英语" , "avgscore" : 54.84415584415584} , { "subjname" : "数学" , "avgscore" : 55.33766233766234}]} , { "_id" : "安徽" , "avginfo" : [ { "subjname" : "英语" , "avgscore" : 55.458333333333336} , { "subjname" : "数学" , "avgscore" : 54.47222222222222} , { "subjname" : "语文" , "avgscore" : 52.80555555555556}]} . . . ] , "ok" : 1.0}