Agregación

Analogía

Las operaciones de agregación funcionan de manera similar a las fábricas de automóviles con líneas de ensamblaje. Las líneas de ensamblaje cuentan con estaciones dotadas de herramientas especializadas para llevar a cabo tareas específicas. Por ejemplo, al fabricar un automóvil, la línea de ensamblaje comienza con el chasis. Luego, a medida que el bastidor del auto avanza por la línea de montaje, cada estación ensambla una pieza diferente. El resultado es un producto final transformado, el auto terminado.

La línea de montaje representa el pipeline de agregación, las estaciones individuales representan las etapas de agregación, las herramientas especializadas representan los operadores de expresión y el producto final representa el resultado agregado.

Perspectivas de edad por género

El siguiente ejemplo calcula la edad promedio, mínima y máxima de los usuarios interesados en cada género.

El pipeline de agregación contiene las siguientes etapas:

• Una etapa de $unwind para separar cada entrada de arreglo en el campo genre_interests en un nuevo documento.

• Una etapa $group para agrupar documentos por valor del campo genre_interests. Esta etapa encuentra la edad promedio, mínima y máxima de los usuarios utilizando los operadores $avg, $min y $max.

let age_pipeline = vec![
    doc! { "$unwind": doc! { "path": "$genre_interests" } },
    doc! { "$group": doc! {
        "_id": "$genre_interests",
        "avg_age": doc! { "$avg": "$age" },
        "min_age": doc! { "$min": "$age" },
        "max_age": doc! { "$max": "$age" }
    } }
];
let mut results = my_coll.aggregate(age_pipeline).await?;
while let Some(result) = results.try_next().await? {
    println!("* {:?}", result);
}

* { "_id": "memoir", "avg_age": 25.8, "min_age": 18, "max_age": 39 }
* { "_id": "sci-fi", "avg_age": 42, "min_age": 18, "max_age": 66 }
* { "_id": "fiction", "avg_age": 33.333333333333336, "min_age": 16, "max_age": 66 }
* { "_id": "nonfiction", "avg_age": 53.5, "min_age": 31, "max_age": 76 }
* { "_id": "self help", "avg_age": 56, "min_age": 56, "max_age": 56 }
* { "_id": "poetry", "avg_age": 39, "min_age": 39, "max_age": 39 }
* { "_id": "literary", "avg_age": 49.5, "min_age": 21, "max_age": 76 }
* { "_id": "fantasy", "avg_age": 34.666666666666664, "min_age": 18, "max_age": 66 }
* { "_id": "mystery", "avg_age": 24.666666666666668, "min_age": 20, "max_age": 31 }
* { "_id": "theory", "avg_age": 33, "min_age": 21, "max_age": 45 }
* { "_id": "art", "avg_age": 39, "min_age": 39, "max_age": 39 }
* { "_id": "sports", "avg_age": 22.5, "min_age": 16, "max_age": 29 }

Agrupar por componente de tiempo

El siguiente ejemplo muestra cuántos usuarios estuvieron activos por última vez en cada mes.

El pipeline de agregación contiene las siguientes etapas:

• $project etapa para extraer el mes del campo last_active como un número en el campo month_last_active

• $group Etapa para agrupar documentos por el campo month_last_active y contar el número de documentos para cada mes.

• $sort etapa para establecer un orden ascendente en el mes

let last_active_pipeline = vec![
    doc! { "$project": { "month_last_active" : doc! { "$month" : "$last_active" } } },
    doc! { "$group": doc! { "_id" : doc! {"month_last_active": "$month_last_active"} ,
    "number" : doc! { "$sum" : 1 } } },
    doc! { "$sort": { "_id.month_last_active" : 1 } }
];
let mut results = my_coll.aggregate(last_active_pipeline).await?;
while let Some(result) = results.try_next().await? {
    println!("* {:?}", result);
}

* { "_id": { "month_last_active": 1 }, "number": 3 }
* { "_id": { "month_last_active": 5 }, "number": 4 }
* { "_id": { "month_last_active": 6 }, "number": 1 }
* { "_id": { "month_last_active": 7 }, "number": 1 }
* { "_id": { "month_last_active": 8 }, "number": 2 }
* { "_id": { "month_last_active": 11 }, "number": 1 }

Calcula los géneros populares

El siguiente ejemplo encuentra los tres géneros más populares en función de la frecuencia con la que aparecen en los intereses de los usuarios.

El pipeline de agregación contiene las siguientes etapas:

• $unwind etapa para separar cada entrada de arreglo en el campo genre_interests en un nuevo documento

• $group etapa para agrupar documentos según el campo genre_interests y contar el número de documentos en cada género

• $sort etapa para establecer un orden descendente en la popularidad del género

• $limit aección para mostrar solo los tres primeros géneros

let popularity_pipeline = vec![
    doc! { "$unwind" : "$genre_interests" },
    doc! { "$group" : doc! { "_id" : "$genre_interests" , "number" : doc! { "$sum" : 1 } } },
    doc! { "$sort" : doc! { "number" : -1 } },
    doc! { "$limit": 3 }
];
let mut results = my_coll.aggregate(popularity_pipeline).await?;
while let Some(result) = results.try_next().await? {
    println!("* {:?}", result);
}

* { "_id": "fiction", "number": 6 }
* { "_id": "memoir", "number": 5 }
* { "_id": "literary", "number": 4 }

Búsqueda vectorial de MongoDB

Puedes realizar búsquedas de similitud en incrustaciones vectoriales mediante el uso de la funcionalidad de MongoDB Vector Search. Para saber más, consulta la guía de MongoDB Vector Search.

Documentación de la API

Para obtener más información sobre los métodos y tipos mencionados en esta guía, vea la siguiente documentación de la API:

• aggregate()

• AggregateOptions