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：

1. GET /bank/_search
2. {
3.   "size": 0,
4.   "aggs": {
5.     "bucket_age": {
6.       "terms": {
7.         "field": "age",
8.         "size": 20
9.       }
10.     }
11.   }
12. }

复制代码

返回的数据如下：

1. {
2.   ...
3.   "aggregations" : {
4.     "bucket_age" : {
5.       "doc_count_error_upper_bound" : 0,
6.       "sum_other_doc_count" : 35,
7.       "buckets" : [
8.         {
9.           "key" : 31,
10.           "doc_count" : 61
11.         },
12.         {
13.           "key" : 39,
14.           "doc_count" : 60
15.         },
16.         {
17.           "key" : 26,
18.           "doc_count" : 59
19.         },
20.         ...
21.       ]
22.     }
23.   }
24. }     

复制代码

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：

1. GET /bank/_search
2. {
3.   "size": 0,
4.   "aggs": {
5.     "bucket_gender": {
6.       "filter": {"term": {"gender.keyword": "F"}},
7.       "aggs": {
8.         "avg_balance": {"avg": {"field": "balance"}}
9.       }
10.     }
11.   }
12. }

复制代码

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：

1.   ...
2.   "aggregations" : {
3.     "bucket_gender" : {
4.       "doc_count" : 493,
5.       "avg_balance" : {
6.         "value" : 25623.34685598377
7.       }
8.     }
9.   }
10. }

复制代码

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：

1. GET /bank/_search
2. {
3.   "size": 0,
4.   "aggs": {
5.     "bucket_gender": {
6.       "filters": {
7.         "filters": {
8.           "female": {"term": {"gender.keyword": "F"}},
9.           "male": {"term": {"gender.keyword": "M"}}
10.         }
11.       }
12.     }
13.   }
14. }

复制代码

返回的数据就是两个桶，包含了两类数据的总数：

1.   ...
2.   "aggregations" : {
3.     "bucket_gender" : {
4.       "buckets" : {
5.         "female" : {
6.           "doc_count" : 493
7.         },
8.         "male" : {
9.           "doc_count" : 507
10.         }
11.       }
12.     }
13.   }
14. }

复制代码

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：

1. GET /bank/_search
2. {
3.   "size": 0,
4.   "aggs": {
5.     "bucket_gender": {
6.       "filters": {
7.         "filters": {
8.           "female": {"term": {"gender.keyword": "F"}},
9.           "male": {"term": {"gender.keyword": "M"}}
10.         }
11.       },
12.       "aggs": {
13.         "avg_balance": {"avg": {"field": "balance"}}
14.       }
15.     }
16.   }
17. }

复制代码

这样，在返回的桶的数据之内，还包含了一个均值的结果：

1.   ...
2.   "aggregations" : {
3.     "bucket_gender" : {
4.       "buckets" : {
5.         "female" : {
6.           "doc_count" : 493,
7.           "avg_balance" : {
8.             "value" : 25623.34685598377
9.           }
10.         },
11.         "male" : {
12.           "doc_count" : 507,
13.           "avg_balance" : {
14.             "value" : 25803.800788954635
15.           }
16.         }
17.       }
18.     }
19.   }
20. }

复制代码

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：

1. GET /bank/_search
2. {
3.   "size": 0,
4.   "aggs": {
5.     "bucket_gender": {
6.       "filters": {
7.         "other_bucket_key": "non_gender",
8.         "filters": {
9.           "female": {"term": {"gender.keyword": "F"}},
10.           "male": {"term": {"gender.keyword": "M"}}
11.         }
12.       }
13.     }
14.   }
15. }

复制代码

返回的值如下：

1.   ...
2.   "aggregations" : {
3.     "bucket_gender" : {
4.       "buckets" : {
5.         "female" : {
6.           "doc_count" : 493,
7.           "avg_balance" : {
8.             "value" : 25623.34685598377
9.           }
10.         },
11.         "male" : {
12.           "doc_count" : 507,
13.           "avg_balance" : {
14.             "value" : 25803.800788954635
15.           }
16.         },
17.         "non_gender" : {
18.           "doc_count" : 0,
19.           "avg_balance" : {
20.             "value" : null
21.           }
22.         }
23.       }
24.     }
25.   }
26. }

复制代码

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：

1. GET /bank/_search
2. {
3.   "size": 0,
4.   "query": {"match": {"gender.keyword": "F"}},
5.   "aggs": {
6.     "female_balance_avg": {
7.       "avg": {
8.         "field": "balance"
9.       }
10.     }
11.   }
12. }

复制代码

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：

1. GET /bank/_search
2. {
3.   "size": 0,
4.   "query": {"match": {"gender.keyword": "F"}},
5.   "aggs": {
6.     "total_balance_avg": {
7.       "global": {},
8.       "aggs": {
9.         "avg_balance": {
10.           "avg": {"field": "balance"}
11.         }
12.       }
13.     },
14.     "female_balance_avg": {
15.       "avg": {
16.         "field": "balance"
17.       }
18.     }
19.   }
20. }

复制代码

这样就有两个数据来比对，结果如下：

1.   ...
2.   "aggregations" : {
3.     "female_balance_avg" : {
4.       "value" : 25623.34685598377
5.     },
6.     "total_balance_avg" : {
7.       "doc_count" : 1000,
8.       "avg_balance" : {
9.         "value" : 25714.837
10.       }
11.     }
12.   }
13. }

复制代码

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：

1. GET /bank/_search
2. {
3.   "size": 0,
4.   "aggs": {
5.     "age_histogram": {
6.       "histogram": {
7.         "field": "age",
8.         "interval": 5
9.       }
10.     }
11.   }
12. }

复制代码

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：

1.   ...
2.   "aggregations" : {
3.     "age_histogram" : {
4.       "buckets" : [
5.         {
6.           "key" : 20.0,
7.           "doc_count" : 225
8.         },
9.         {
10.           "key" : 25.0,
11.           "doc_count" : 226
12.         }
13.         ...
14.     ]
15.   }
16. }   

复制代码

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：

1. GET /bank/_search
2. {
3.   "size": 0,
4.   "aggs": {
5.     "age_histogram": {
6.       "histogram": {
7.         "field": "age",
8.         "interval": 5,
9.         "min_doc_count": 2
10.       }
11.     }
12.   }
13. }

复制代码

返回数据：

1.   ...
2.   "aggregations" : {
3.     "age_histogram" : {
4.       "buckets" : [
5.         {
6.           "key" : 20.0,
7.           "doc_count" : 5
8.         },
9.         {
10.           "key" : 30.0,
11.           "doc_count" : 2
12.         },
13.         ...
14.      ]
15.    }
16. }

复制代码

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：

1. GET /bank/_search
2. {
3.   "size": 0,
4.   "aggs": {
5.     "age_histogram": {
6.       "histogram": {
7.         "field": "age",
8.         "interval": 5,
9.         "extended_bounds": {
10.           "min": 0,
11.           "max": 90
12.         }
13.       }
14.     }
15.   }
16. }

复制代码

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：

1. PUT /products
2. {
3.     "mappings": {
4.         "properties" : {
5.             "resellers" : {
6.                 "type" : "nested",
7.                 "properties" : {
8.                     "reseller" : { "type" : "text" },
9.                     "price" : { "type" : "double" }
10.                 }
11.             }
12.         }
13.     }
14. }

复制代码

接下来我们往里添加两条条数据：

1. PUT /products/_doc/0
2. {
3.   "name": "LED TV",
4.   "resellers": [
5.     {
6.       "reseller": "companyA",
7.       "price": 350
8.     },
9.     {
10.       "reseller": "companyB",
11.       "price": 500
12.     }
13.   ]
14. }
16. PUT /products/_doc/1
17. {
18.   "name": "LED TV",
19.   "resellers": [
20.     {
21.       "reseller": "companyA",
22.       "price": 400
23.     },
24.     {
25.       "reseller": "companyB",
26.       "price": 250
27.     }
28.   ]
29. }

复制代码

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：

1. GET /products/_search
2. {
3.     "size": 0,
4.     "query" : {
5.         "match" : { "name" : "led tv" }
6.     },
7.     "aggs" : {
8.         "resellers" : {
9.             "nested" : {
10.                 "path" : "resellers"
11.             },
12.             "aggs" : {
13.                 "min_price" : { "min" : { "field" : "resellers.price" } }
14.             }
15.         }
16.     }
17. }

复制代码

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：

1. GET /bank/_search
2. {
3.   "size": 0,
4.   "aggs": {
5.     "age_range": {
6.       "range": {
7.         "field": "age",
8.         "ranges": [
9.           {"to": 27},
10.           {"from": 27, "to": 35},
11.           {"from": 35}
12.         ]
13.       }
14.     }
15.   }
16. }

复制代码

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

1.   ...
2.   "aggregations" : {
3.     "age_range" : {
4.       "buckets" : [
5.         {
6.           "key" : "*-27.0",
7.           "to" : 27.0,
8.           "doc_count" : 326
9.         },
10.         {
11.           "key" : "27.0-35.0",
12.           "from" : 27.0,
13.           "to" : 35.0,
14.           "doc_count" : 384
15.         },
16.         {
17.           "key" : "35.0-*",
18.           "from" : 35.0,
19.           "doc_count" : 290
20.         }
21.       ]
22.     }
23.   }
24. }

复制代码

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

1. GET /bank/_search
2. {
3.   "size": 0,
4.   "aggs": {
5.     "age_range": {
6.       "range": {
7.         "field": "age",
8.         "keyed": true,
9.         "ranges": [
10.           {"to": 27},
11.           {"from": 27, "to": 35},
12.           {"from": 35}
13.         ]
14.       }
15.     }
16.   }
17. }

复制代码

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：

1. GET /bank/_search
2. {
3.   "size": 0,
4.   "aggs": {
5.     "age_range": {
6.       "range": {
7.         "field": "age",
8.         "ranges": [
9.           {"to": 27},
10.           {"from": 27, "to": 35},
11.           {"from": 35}
12.         ]
13.       },
14.       "aggs": {
15.         "age_stats": {
16.           "stats": {
17.             "field": "age"
18.           }
19.         }
20.       }
21.     }
22.   }
23. }

复制代码

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：

1. GET /bank/_search
2. {
3.   "size": 0,
4.   "aggs": {
5.     "rare_age": {
6.       "rare_terms": {
7.         "field": "age",
8.         "max_doc_count": 50
9.       }
10.     }
11.   }
12. }

复制代码

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：

1.   ...
2.   "aggregations" : {
3.     "rare_age" : {
4.       "buckets" : [
5.         {
6.           "key" : 29,
7.           "doc_count" : 35
8.         },
9.         {
10.           "key" : 27,
11.           "doc_count" : 39
12.         },
13.         {
14.           "key" : 38,
15.           "doc_count" : 39
16.         },
17.         ...

复制代码

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：

1. GET /bank/_search
2. {
3.   "size": 0,
4.   "aggs": {
5.     "rare_age": {
6.       "rare_terms": {
7.         "field": "age",
8.         "max_doc_count": 51,
9.         "include": [29, 27, 24]
10.       }
11.     }
12.   }
13. }

复制代码

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

1. GET /bank/_search
2. {
3.   "size": 0,
4.   "aggs": {
5.     "rare_age": {
6.       "rare_terms": {
7.         "field": "age",
8.         "max_doc_count": 51,
9.         "exclude": [29, 27, 24]
10.       }
11.     }
12.   }
13. }

复制代码

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：

1. GET /bank/_search
2. {
3.   "size": 0,
4.   "aggs": {
5.     "field_statis": {
6.       "matrix_stats": {
7.         "fields": ["age", "balance"]
8.       }
9.     }
10.   }
11. }

复制代码

返回的数据如下：

1.   ...
2.   "aggregations" : {
3.     "field_statis" : {
4.       "doc_count" : 1000,
5.       "fields" : [
6.         {
7.           "name" : "balance",
8.           "count" : 1000,
9.           "mean" : 25714.837000000014,
10.           "variance" : 1.9757153733576667E8,
11.           "skewness" : -0.009992486755643138,
12.           "kurtosis" : 1.8088323899074914,
13.           "covariance" : {
14.             "balance" : 1.9757153733576667E8,
15.             "age" : -2845.650777777781
16.           },
17.           "correlation" : {
18.             "balance" : 1.0,
19.             "age" : -0.033676422195874786
20.           }
21.         },
22.         {
23.           "name" : "age",
24.           "count" : 1000,
25.           ...
26.         }
27.     ...

复制代码

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：


免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！