Para agentes de IA: um índice de documentação está disponível em https://www.mongodb.com/pt-br/docs/llms.txt — as versões de markdown de todas as páginas estão disponíveis anexando .md a qualquer caminho de URL.
Menu Docs
Página inicial do Docs
/ /
PyMongo
Página inicial do Docs
/
Bibliotecas do cliente
/
Python
/
PyMongo
Página inicial do Docs
/
Bibliotecas do cliente
/
Python
/
PyMongo

Transforme seus dados com agregação

Visão geral

Neste guia, você pode aprender como usar o PyMongo para executar operações de agregação.

Operações de aggregation processam dados em suas collections MongoDB e retornam resultados calculados. A estrutura de agregação MongoDB, que faz parte da API de query, é modelada sobre o conceito de pipelines de processamento de dados. Os documentos entram em um pipeline que contém um ou mais estágios, e esse pipeline transforma os documentos em um resultado agregado.

Uma operação de agregação é semelhante a uma fábrica de carros. Uma fábrica de automóveis tem uma linha de montagem, que contém estações de montagem com ferramentas especializadas para realizar trabalhos específicos, como furadeiras e soldadores. As peças brutas entram na fábrica e, em seguida, a linha de montagem transforma e as monta em um produto acabado.

O pipeline de agregação é a linha de montagem, estágios de agregação são as estações de montagem e expressões do operador são as ferramentas especializadas.

Dica

Tutoriais completos de agregação

You can find tutorials that provide detailed explanations of common aggregation tasks in the Complete Aggregation Pipeline Tutorials section of the Server manual. Select a tutorial, and then pick Python from the Select your language drop-down menu in the upper-right corner of the page.

Aggregation versus operações de localização

Você pode usar encontrar operações para executar as seguintes ações:

  • Selecione quais documentos devolver

  • Selecione quais campos retornar

  • ordenar os resultados

Você pode usar operações de agregação para executar as seguintes ações:

  • Execute operações de localização

  • Renomear campos

  • Calcular campos

  • Resumir dados

  • Agrupar valores

Limitações

Lembre-se das seguintes limitações ao usar operações de agregação:

  • Returned documents must not violate the BSON document size limit of 16 megabytes.

  • Os estágios do pipeline têm um limite de memória de 100 megabytes por padrão. Você pode exceder este limite utilizando o argumento de palavra-chave allowDiskUse aggregate() .

Importante

exceção $graphLookup

The $graphLookup stage has a strict memory limit of 100 megabytes and ignores the allowDiskUse parameter.

Exemplo de agregação

Observação

Este exemplo utiliza a collection sample_restaurants.restaurants dos conjuntos de dados de amostra do Atlas. Para saber como criar um cluster MongoDB Atlas gratuito e carregar os conjuntos de dados de amostra, consulte Introdução ao PyMongo.

Para executar uma agregação, passe uma lista de estágios de agregação para o método collection.aggregate().

O exemplo de código a seguir produz uma contagem do número de padarias em cada bairro de Nova York. Para fazer isso, ele usa um pipeline de agregação com os seguintes estágios:

  • A $match stage to filter for documents whose cuisine field contains the value "Bakery".

  • A $group stage to group the matching documents by the borough field, accumulating a count of documents for each distinct value.

Selecione a aba Synchronous ou Asynchronous para ver o código correspondente:

# Define an aggregation pipeline with a match stage and a group stage
pipeline = [
   { "$match": { "cuisine": "Bakery" } },
   { "$group": { "_id": "$borough", "count": { "$sum": 1 } } }
]
# Execute the aggregation
aggCursor = collection.aggregate(pipeline)
# Print the aggregated results
for document in aggCursor:
   print(document)

O exemplo de código anterior produz saída semelhante ao seguinte:

{'_id': 'Bronx', 'count': 71}
{'_id': 'Brooklyn', 'count': 173}
{'_id': 'Missing', 'count': 2}
{'_id': 'Manhattan', 'count': 221}
{'_id': 'Queens', 'count': 204}
{'_id': 'Staten Island', 'count': 20}

Explicar uma agregação

Para visualizar informações sobre como o MongoDB executa sua operação, você pode instruir o MongoDB a explicá -la. Quando o MongoDB explica uma operação, ele retorna planos de execução e estatísticas de desempenho. Um plano de execução é uma maneira em potencial de o MongoDB concluir uma operação. Quando você instrui o MongoDB a explicar uma operação, ele retorna o plano executado pelo MongoDB e quaisquer planos de execução rejeitados.

Para explicar uma operação de agregação, você pode usar a biblioteca PyMongoExplain ou um comando de banco de dados. Selecione a guia correspondente abaixo para ver um exemplo de cada método.

Use pip para instalar a biblioteca pymongoexplain , como mostrado no seguinte exemplo:

python3 -m pip install pymongoexplain

O exemplo de código a seguir executa o exemplo de agregação anterior e imprime a explicação retornada pelo MongoDB:

# Define an aggregation pipeline with a match stage and a group stage
pipeline = [
   { "$match": { "cuisine": "Bakery" } },
   { "$group": { "_id": "$borough", "count": { "$sum": 1 } } }
]
# Execute the operation and print the explanation
result = ExplainableCollection(collection).aggregate(pipeline)
print(result)

Dica

Você pode usar o módulo pprint do Python para facilitar a leitura dos resultados da explicação:

import pprint
...
pprint.pp(result)

Informações adicionais

Manual do MongoDB Server

For a full list of aggregation stages, see Aggregation Stages in the MongoDB Server manual.

Para saber mais sobre como montar um aggregation pipeline e ver exemplos, consulte Aggregation Pipeline.

Para saber mais sobre como explicar as operações do MongoDB, consulte Explicar planos de saída e query.

Documentação da API

Para obter mais informações sobre como executar operações de agregação com o PyMongo, consulte a seguinte documentação da API:

Voltar
Consultas geoespaciais
Próximo
BSON
Avalie esta página

Nesta página