es笔记七之聚合操作之桶聚合和矩阵聚合_天天热推荐

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。

(资料图片仅供参考)

以下是本篇笔记目录：

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。

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      }    }  }}

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          }        }      }    }  }}

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      }    }  }}

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。

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        },        ...     ]   } }

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。

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" } }            }        }    }}

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}        ]      }    }  }}

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。

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        },        ...

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]      }    }  }}

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：

标签：