Elasticsearch之聚合分析

  • 什么是聚合分析芳悲?
    聚合分析立肘,英文為Aggregation,是ES除搜索功能外提供的針對ES數據做統(tǒng)計分析的功能名扛。功能豐富谅年,提供Bucket,Metric肮韧,Pipeline等多種分析方式融蹂,可以滿足大部分的分析需求。實時性高弄企,所有的計算結果都是即時返回的超燃。
    聚合分析作為search的一部分,api如下圖所示:
    聚合分析
    為了便于理解,ES將聚合分析主要分為如下4類:
    ? - Bucket:分桶類型。類似SQl中的GROUP BY 語法
    ? - Metric:指標分析類型涮总,如計算最大值耘戚、最小值、平均值等等
    ? - Pipeline:管道分析類型本涕,基于上一級的聚合分析結果進行再分析
    ? - Matrix:矩陣分析類型
  • Metric
    主要分如下兩類:
    ? - 單值分析业汰,只輸出一個分析結果
    ? ? - min,max菩颖,avg样漆,sum
    ? ? - cardinality
    ? - 多值分析
    ? ? - stats,extended晦闰,stats
    ? ? - percentile放祟,percentile rank
    ? ? - top hits
    ? - Min,返回數值類的最小值
    Min
    max呻右,avg跪妥,sum 用法與min的用法類似
  • 一次返回多個聚合結果,api及響應如下所示:
    返回多個結果
    ? - Cardinality声滥,意為集合的勢眉撵,或者基數,是指不同數值的個數落塑,類似SQL中的distinct count概念纽疟,api及響應如下:
    Cardinality
    - Stats,返回一系列的數值類型的統(tǒng)計憾赁,包括min污朽,max,avg龙考,sum 和 count蟆肆,api及響應如下:
    stats
    - Extended Stats矾睦,對stats的擴展,包含了更多的統(tǒng)計數據颓芭,如方差顷锰,標準差等,api及響應如下:
    Extended Stats
    - Percentile / Percentile Rank亡问,百分位數統(tǒng)計官紫,api及響應如下:
    Percentile
    Percentile Rank
    - Top Hits,一般用于分桶后獲取該桶內的最匹配的頂部文檔列表州藕,即詳情數據束世,api及響應如下:
    Top Hits
  • Bucket
    ? - bucket,意為桶床玻,即按照一定規(guī)則將文檔分配到不同桶中毁涉,達到分類的目的。
    Bucket

    ? - 按照Bucket的分桶策略锈死,常見的Bucket聚合分析如下:
    ? ? - Terms:該分桶策略最簡單贫堰,直接按照 term 來分桶,如果是 text 類型待牵,則按照分詞后的結果分桶
    Terms 分桶
    ? ? - Range:通過指定數值的范圍來設定分桶規(guī)則
    Range 分桶
    ? ? - Date Range:通過指定日期范圍來設定分桶規(guī)則
    Date Range 分桶
    ? ? - Histogram:直方圖其屏,以固定間隔的策略來分割數據
    Histogram分桶
    ? ? - Date Histogram:針對日期的我直方圖或者柱狀圖,是時序數據分析中常用的聚合分析類型
    Date Histogram 分桶
  • Bucket + Metric 聚合分析
    Bucket聚合分析允許通過添加子分析來進一步進行分析缨该,該子分析可以是Bucket也可以是Metric偎行。這也使得es的聚合分析能力變得異常強大
    ? - 分桶后再分桶
    Bucket + Bucket
    ? - 分桶后再進行聚合分析
    Bucket + Metric
  • Pipeline 聚合分析
  • Pipeline,針對聚合分析的結果再次進行聚合分析,而且支持支鏈調用贰拿。 Pipeline的分析結果會輸出到原結果中蛤袒,根據輸出位置的不同,分為以下兩類:
    ? - Parent 結果內嵌到現有的聚合分析結果中
    ?? - Derivative (求導)
    ?? - Moving Average(移動平均值)
    ?? - Cumulative Sum(累計求和)
    ? - Sibling 結果與現有的聚合分析同級
    ?? - Max /Min / Avg/ Sum Bucket
    ?? - Stats / Extended Stats Bucket
    ?? - Percentiles Bucket

Min Bucket膨更,如下例妙真,找出所有Bucket中值最小的Bucket的名稱和值

Min Bucke

Stats, 如下例,計算出所有的Bucket值的Stats(多值分析)
Stats

*Derivative *, 如下例荚守,計算Bucket 值的導數
Derivative

作用范圍
ES聚合分析默認作用范圍是 query 的結果集隐孽,可以通過如下的方式改變其作用范圍:
? - filter
? - post_filter
? - global
image.png

?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市健蕊,隨后出現的幾起案子菱阵,更是在濱河造成了極大的恐慌,老刑警劉巖缩功,帶你破解...
    沈念sama閱讀 219,188評論 6 508
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件晴及,死亡現場離奇詭異,居然都是意外死亡嫡锌,警方通過查閱死者的電腦和手機虑稼,發(fā)現死者居然都...
    沈念sama閱讀 93,464評論 3 395
  • 文/潘曉璐 我一進店門琳钉,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人蛛倦,你說我怎么就攤上這事歌懒。” “怎么了溯壶?”我有些...
    開封第一講書人閱讀 165,562評論 0 356
  • 文/不壞的土叔 我叫張陵及皂,是天一觀的道長。 經常有香客問我且改,道長验烧,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 58,893評論 1 295
  • 正文 為了忘掉前任又跛,我火速辦了婚禮碍拆,結果婚禮上,老公的妹妹穿的比我還像新娘慨蓝。我一直安慰自己感混,他們只是感情好,可當我...
    茶點故事閱讀 67,917評論 6 392
  • 文/花漫 我一把揭開白布礼烈。 她就那樣靜靜地躺著浩习,像睡著了一般。 火紅的嫁衣襯著肌膚如雪济丘。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 51,708評論 1 305
  • 那天洽蛀,我揣著相機與錄音摹迷,去河邊找鬼。 笑死郊供,一個胖子當著我的面吹牛峡碉,可吹牛的內容都是我干的。 我是一名探鬼主播驮审,決...
    沈念sama閱讀 40,430評論 3 420
  • 文/蒼蘭香墨 我猛地睜開眼鲫寄,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了疯淫?” 一聲冷哼從身側響起地来,我...
    開封第一講書人閱讀 39,342評論 0 276
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎熙掺,沒想到半個月后未斑,有當地人在樹林里發(fā)現了一具尸體,經...
    沈念sama閱讀 45,801評論 1 317
  • 正文 獨居荒郊野嶺守林人離奇死亡币绩,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 37,976評論 3 337
  • 正文 我和宋清朗相戀三年蜡秽,在試婚紗的時候發(fā)現自己被綠了府阀。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 40,115評論 1 351
  • 序言:一個原本活蹦亂跳的男人離奇死亡芽突,死狀恐怖试浙,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情寞蚌,我是刑警寧澤田巴,帶...
    沈念sama閱讀 35,804評論 5 346
  • 正文 年R本政府宣布,位于F島的核電站睬澡,受9級特大地震影響固额,放射性物質發(fā)生泄漏。R本人自食惡果不足惜煞聪,卻給世界環(huán)境...
    茶點故事閱讀 41,458評論 3 331
  • 文/蒙蒙 一斗躏、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧昔脯,春花似錦啄糙、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,008評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至静陈,卻和暖如春燕雁,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背鲸拥。 一陣腳步聲響...
    開封第一講書人閱讀 33,135評論 1 272
  • 我被黑心中介騙來泰國打工拐格, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人刑赶。 一個月前我還...
    沈念sama閱讀 48,365評論 3 373
  • 正文 我出身青樓捏浊,卻偏偏與公主長得像,于是被迫代替她去往敵國和親撞叨。 傳聞我的和親對象是個殘疾皇子金踪,可洞房花燭夜當晚...
    茶點故事閱讀 45,055評論 2 355

推薦閱讀更多精彩內容