es笔记七之聚合操作之桶聚合和矩阵聚合
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
如果想获取更多相关文章，可扫码关注阅读：
