es笔记七之聚合操作之桶聚合和矩阵聚合

2023-05-25 23:36 由 XHunter 发表于 #数据库

本文首发于公众号：Hunter后端
原文链接：es笔记七之聚合操作之桶聚合和矩阵聚合

桶(bucket)聚合并不像指标(metric)聚合一样在字段上计算，而是会创建数据的桶，我们可以理解为分组，根据某个字段进行分组，将符合条件的数据分到同一个组里。

桶聚合可以有子聚合，意思就是在分组之后，可以在每个组里再次进行聚合操作，聚合的数据就是每个组的数据。

以下是本篇笔记目录：

基本桶聚合操作
过滤聚合
多桶过滤聚合
全局聚合
直方图聚合
嵌套聚合
范围聚合
稀有词聚合
矩阵聚合

1、基本桶聚合操作

我们可以简单的先来进行一下桶聚合的操作，比如我们根据 age 字段对数据进行分组操作：

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "bucket_age": {
      "terms": {
        "field": "age",
        "size": 20
      }
    }
  }
}

返回的数据如下：

{
  ...
  "aggregations" : {
    "bucket_age" : {
      "doc_count_error_upper_bound" : 0,
      "sum_other_doc_count" : 35,
      "buckets" : [
        {
          "key" : 31,
          "doc_count" : 61
        },
        {
          "key" : 39,
          "doc_count" : 60
        },
        {
          "key" : 26,
          "doc_count" : 59
        },
        ...
      ]
    }
  }
}

所有的数据在 aggregations.bucket_age.buckets 下，这是一个数组，key 的内容为 age 的值，doc_count 为该 age 值的数据条数。

其中，bucket_age 为我们定义的桶聚合的名称。

接下来我们介绍桶聚合和指标聚合的其他操作。

2、过滤聚合

如果我们想针对某特定的数据进行聚合，那么就涉及数据的过滤，筛选出特定的数据进行聚合。

比如我们想筛选出 gender 的值为 "F" 的数据，然后对其进行取平均数的操作，我们可以使用 filter 来如下操作：

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "bucket_gender": {
      "filter": {"term": {"gender.keyword": "F"}},
      "aggs": {
        "avg_balance": {"avg": {"field": "balance"}}
      }
    }
  }
}

aggs.bucket_gender 我们使用 filter 对数据进行了一个过滤，筛选出 gender 的值为 "F" 的数据。

注意，在这里，因为我们写入数据前，没有预先定义字段的类型，所以 es 中将其自动转化成 text 属性的字段，所以在查询的时候用到的是 gender.keyword，意思是对 gender 字段的内容作为整体进行筛选。

如果本身是 keyword 属性，就不用加 .keyword 来操作。

与 filter 同级的 aggs，进行针对筛选出的数据进行聚合的操作，这里我们用到的是平均值。

返回的数据如下：

  ...
  "aggregations" : {
    "bucket_gender" : {
      "doc_count" : 493,
      "avg_balance" : {
        "value" : 25623.34685598377
      }
    }
  }
}

3、多桶过滤聚合

在上一点我们过滤的是单个条件，gender='F' 的情况，如果我们想要实现多个过滤来操作，可以使用 filters，使用方法也不一样。

比如我们想分别对 gender 的值为 F 和 M 的数据进行均值操作，我们可以一步步来操作，我们先来通过 filters 实现两个桶的聚合：

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "bucket_gender": {
      "filters": {
        "filters": {
          "female": {"term": {"gender.keyword": "F"}},
          "male": {"term": {"gender.keyword": "M"}}
        }
      }
    }
  }
}

返回的数据就是两个桶，包含了两类数据的总数：

  ...
  "aggregations" : {
    "bucket_gender" : {
      "buckets" : {
        "female" : {
          "doc_count" : 493
        },
        "male" : {
          "doc_count" : 507
        }
      }
    }
  }
}

如果想在此基础上接着对其进行均值计算，和前面的 filter 操作一样，在第一个 filters 同级的地方，加上我们的指标聚合操作：

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "bucket_gender": {
      "filters": {
        "filters": {
          "female": {"term": {"gender.keyword": "F"}},
          "male": {"term": {"gender.keyword": "M"}}
        }
      },
      "aggs": {
        "avg_balance": {"avg": {"field": "balance"}}
      }
    }
  }
}

这样，在返回的桶的数据之内，还包含了一个均值的结果：

  ...
  "aggregations" : {
    "bucket_gender" : {
      "buckets" : {
        "female" : {
          "doc_count" : 493,
          "avg_balance" : {
            "value" : 25623.34685598377
          }
        },
        "male" : {
          "doc_count" : 507,
          "avg_balance" : {
            "value" : 25803.800788954635
          }
        }
      }
    }
  }
}

这里我们因为 gender 只有 F 和 M 两个值，所以没有第三类数据，对于其他数据，比如 age，有很多值，除了某几种特定的值外，我们还想获取剩下的值的信息，如何操作呢？

这里使用到 other_bucket_key 这个参数，比如我们除了定义的 female 和 male，我们还定义一个 non_gender 字段来统计非 M 和 F 的值，我们可以这样操作：

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "bucket_gender": {
      "filters": {
        "other_bucket_key": "non_gender", 
        "filters": {
          "female": {"term": {"gender.keyword": "F"}},
          "male": {"term": {"gender.keyword": "M"}}
        }
      }
    }
  }
}

返回的值如下：

  ...
  "aggregations" : {
    "bucket_gender" : {
      "buckets" : {
        "female" : {
          "doc_count" : 493,
          "avg_balance" : {
            "value" : 25623.34685598377
          }
        },
        "male" : {
          "doc_count" : 507,
          "avg_balance" : {
            "value" : 25803.800788954635
          }
        },
        "non_gender" : {
          "doc_count" : 0,
          "avg_balance" : {
            "value" : null
          }
        }
      }
    }
  }
}

4、全局聚合

如果我们要在限定的范围内进行聚合，但是又想在全局范围内获取聚合数据进行比对。

比如说，我们在 gender='F' 的范围进行聚合操作：

GET /bank/_search
{
  "size": 0, 
  "query": {"match": {"gender.keyword": "F"}},
  "aggs": {
    "female_balance_avg": {
      "avg": {
        "field": "balance"
      }
    }
  }
}

这里通过 query 操作筛选 gender='F' 的数据，然后对 balance 字段进行聚合，如果同时我们想要获取所有数据的 balance 的平均值，我们可以使用 global 来操作，如下：

GET /bank/_search
{
  "size": 0, 
  "query": {"match": {"gender.keyword": "F"}},
  "aggs": {
    "total_balance_avg": {
      "global": {},
      "aggs": {
        "avg_balance": {
          "avg": {"field": "balance"}
        }
      }
    },
    "female_balance_avg": {
      "avg": {
        "field": "balance"
      }
    }
  }
}

这样就有两个数据来比对，结果如下：

  ...
  "aggregations" : {
    "female_balance_avg" : {
      "value" : 25623.34685598377
    },
    "total_balance_avg" : {
      "doc_count" : 1000,
      "avg_balance" : {
        "value" : 25714.837
      }
    }
  }
}

5、直方图聚合

这是个类似于直方图的区间桶的聚合操作。

比如对于 age 字段，我们想以 5 为步长进行聚合，如果 age 字段在 20-50 之间，那么返回的数据就会类似于 20-24，25-29，30-34... 以及落在这些区间的数据的数量。

而返回的每条数据并不会是一个区间，而是一个开始的数据，也就是说上面的例子会返回的 key 是 20，25，30 等。

比如我们想对 age 字段进行直方图聚合，步长为 5，用到的聚合的字段为 histogram，示例如下：

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "age_histogram": {
      "histogram": {
        "field": "age",
        "interval": 5
      }
    }
  }
}

在 histogram 聚合字段下，field 字段为我们要进行直方图聚合的字段，这里是 age 字段，interval 字段为进行划分的区间，我们定义为 5。

返回的数据如下：

  ...
  "aggregations" : {
    "age_histogram" : {
      "buckets" : [
        {
          "key" : 20.0,
          "doc_count" : 225
        },
        {
          "key" : 25.0,
          "doc_count" : 226
        }
        ...
    ]
  }
}

注意： 如果我们进行聚合的区间，比如说 25-29 之间聚合的数据是 0，那么 es 还是会返回这个区间，不过 doc_count 是 0，不会存在不返回这个区间 key 的情况。

最小 count 返回数据

前面我们说了就算区间 count 数是0，这个区间也会返回，但同时我们也可以规定 min_doc_count 这个参数来返回只有当区间 count 数大于等于这个值的时候才返回数据。

假设 age 的区间数据如下：

20-24：5

25-29：0

30-34：2
...

如果我们设置 min_doc_count=2，那么返回的区间 25-29则不会被返回，使用示例如下：

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "age_histogram": {
      "histogram": {
        "field": "age",
        "interval": 5,
        "min_doc_count": 2
      }
    }
  }
}

返回数据：

  ...
  "aggregations" : {
    "age_histogram" : {
      "buckets" : [
        {
          "key" : 20.0,
          "doc_count" : 5
        },
        {
          "key" : 30.0,
          "doc_count" : 2
        },
        ...
     ]
   }
 }

指定返回区间

前面介绍的示例中，如果数据在 20-50 之间，那么返回的区间数据就从 20 开始计数（具体的 key 会根据 interval 的设置不一样，比如设置 Interval=5，key 就会是 20, 25, 30...，如果是设置 Interval=3，那么 key 就会是 18, 21, 24...）。

如果我们想从 0 开始计数，即便是 0-20 之间的计数为 0，也想要返回20之前 0-4，5-9 的数，或者想要返回 50 之后的数据，包括 50-54，55-59 这种，我们可以使用extended_bounds.min 和 extended_bounds.max 来限定返回数据的最大最小值，示例如下：

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "age_histogram": {
      "histogram": {
        "field": "age",
        "interval": 5,
        "extended_bounds": {
          "min": 0,
          "max": 90
        }
      }
    }
  }
}

这样返回的数据的区间就会在 0-90 之间，即便在全量数据的范围之外。

注意： 因为在数据区间之外的数据为 0，想要扩展的区间返回显示，记得要将最小返回计数值 min_doc_count 置为 0。

6、嵌套聚合

嵌套聚合，这里针对的是 es 中数据字段为数组，数组元素里又嵌套为对象的情况，官方文档举了个例子，新建一个 products 的 index，数据结构如下：

PUT /products
{
    "mappings": {
        "properties" : {
            "resellers" : { 
                "type" : "nested",
                "properties" : {
                    "reseller" : { "type" : "text" },
                    "price" : { "type" : "double" }
                }
            }
        }
    }
}

接下来我们往里添加两条条数据：

PUT /products/_doc/0
{
  "name": "LED TV", 
  "resellers": [
    {
      "reseller": "companyA",
      "price": 350
    },
    {
      "reseller": "companyB",
      "price": 500
    }
  ]
}

PUT /products/_doc/1
{
  "name": "LED TV", 
  "resellers": [
    {
      "reseller": "companyA",
      "price": 400
    },
    {
      "reseller": "companyB",
      "price": 250
    }
  ]
}

然后我们想要在这两条数据里的 resellers 数组字段里的四个元素里获取 price 字段最小值，可以通过 nested.path 来指定 resellers 字段，然后进行聚合，使用示例如下：

GET /products/_search
{
    "size": 0, 
    "query" : {
        "match" : { "name" : "led tv" }
    },
    "aggs" : {
        "resellers" : {
            "nested" : {
                "path" : "resellers"
            },
            "aggs" : {
                "min_price" : { "min" : { "field" : "resellers.price" } }
            }
        }
    }
}

7、范围聚合

范围聚合，即 range 聚合。我们可以通过指定范围来返回各个桶的数据，这个操作和直方图聚合是类似的，不过这个操作更灵活，聚合的范围不会写死。

如果是希望步长固定，我们可以使用直方图聚合，比如0-4，5-9 这种，如果我们直接想要自定义的 0-7，8-19 这种我们想要定义的可以使用范围聚合。

还是使用 age 字段来操作，比如我们想要获取小于27，28-35，大于36 这个范围，我们可以如下操作：

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "age_range": {
      "range": {
        "field": "age",
        "ranges": [
          {"to": 27},
          {"from": 27, "to": 35},
          {"from": 35}
        ]
      }
    }
  }
}

需要注意的是，from 的参数是开区间的，比如我们这里 from=27，那么逻辑就是 >27，如果区间两边没有限制，不填写相应的 from 和 to 参数即可，返回的 key 也会是 *-27 这种形式。

上面的命令返回的数据如下：r

  ...
  "aggregations" : {
    "age_range" : {
      "buckets" : [
        {
          "key" : "*-27.0",
          "to" : 27.0,
          "doc_count" : 326
        },
        {
          "key" : "27.0-35.0",
          "from" : 27.0,
          "to" : 35.0,
          "doc_count" : 384
        },
        {
          "key" : "35.0-*",
          "from" : 35.0,
          "doc_count" : 290
        }
      ]
    }
  }
}

如果想要返回的数据以 key:{} 的形式返回，可以加上 keyed=true 参数：

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "age_range": {
      "range": {
        "field": "age",
        "keyed": true,
        "ranges": [
          {"to": 27},
          {"from": 27, "to": 35},
          {"from": 35}
        ]
      }
    }
  }
}

桶的子指标聚合

在上面的桶聚合操作之后，我们还可以对每个桶进行子指标聚合，比如说最大最小值，平均值，或者统计值等，以下是个操作示例：

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "age_range": {
      "range": {
        "field": "age",
        "ranges": [
          {"to": 27},
          {"from": 27, "to": 35},
          {"from": 35}
        ]
      },
      "aggs": {
        "age_stats": {
          "stats": {
            "field": "age"
          }
        }
      }
    }
  }
}

进行指标聚合的范围是分到每个桶的数据。

8、稀有词聚合

rare terms aggregation，这个的概念大概是这样的，比如我们根据 age 字段进行聚合，统计他们在文档中出现的次数，我们想要获取出现次数最少的几个，或者指定出现次数少于 50 的 age 值，就可以用到这个操作。

接下来我们对 age 字段进行这样的操作，只获取出现次数少于 50 的数据，示例如下：

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "rare_age": {
      "rare_terms": {
        "field": "age",
        "max_doc_count": 50
      }
    }
  }
}

这个的关键字是 rare_terms，rare_age 是我们指定的聚合名称，其下 field 是我们进行聚合字段，在这里是 age 字段，max_doc_count 则是我们指定的出现次数最大的值。

返回的数据会按照 doc_count 正序排列返回，大致如下：

  ...
  "aggregations" : {
    "rare_age" : {
      "buckets" : [
        {
          "key" : 29,
          "doc_count" : 35
        },
        {
          "key" : 27,
          "doc_count" : 39
        },
        {
          "key" : 38,
          "doc_count" : 39
        },
        ...

范围过滤

我们还可以使用过滤的方式来指定或者排除某些值，这个操作是支持正则的，但经过测试，发现按照官方文档使用正则的 * 来筛选数据并不能真正起作用，所以这里我们介绍使用列表来实现过滤。

比如我们指定的 age 范围是 [29, 27, 24]，使用 include：

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "rare_age": {
      "rare_terms": {
        "field": "age",
        "max_doc_count": 51,
        "include": [29, 27, 24]
      }
    }
  }
}

如果我们要排除的 age 范围是 [29, 27, 24]，使用 exclude：

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "rare_age": {
      "rare_terms": {
        "field": "age",
        "max_doc_count": 51,
        "exclude": [29, 27, 24]
      }
    }
  }
}

9、矩阵聚合

矩阵聚合是很小的一部分，这里直接介绍一下。

前面在指标聚合的介绍中，有一个聚合统计汇总，其中介绍了一个参数是 stats，会返回对应字段的最大值、最小值、总数等数据，矩阵聚合 matrix 可以理解成是多个字段的 stats 的集合，会缺少一些统计值，但是返回的值更偏统计学方面的用途。

使用示例如下：

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "field_statis": {
      "matrix_stats": {
        "fields": ["age", "balance"]
      }
    }
  }
}

返回的数据如下：

  ...
  "aggregations" : {
    "field_statis" : {
      "doc_count" : 1000,
      "fields" : [
        {
          "name" : "balance",
          "count" : 1000,
          "mean" : 25714.837000000014,
          "variance" : 1.9757153733576667E8,
          "skewness" : -0.009992486755643138,
          "kurtosis" : 1.8088323899074914,
          "covariance" : {
            "balance" : 1.9757153733576667E8,
            "age" : -2845.650777777781
          },
          "correlation" : {
            "balance" : 1.0,
            "age" : -0.033676422195874786
          }
        },
        {
          "name" : "age",
          "count" : 1000,
          ...
        }
    ...

其中，各参数的释义如下：

count: 总数

mean: 平均值

variance: 方差

skewness: 偏度

kurtosis: 峰度

covariance: 协方差

correlation: 与其他字段的相关性，比如 age 到 age 字段的相关性就是 1.0

如果想获取更多后端相关文章，可扫码关注阅读：