MongoDB クエリを作成して、各レストランの平均スコアを見つけます。
「レストラン」コレクションの構造:
{
"address": {
"building": "1007",
"coord": [ -73.856077, 40.848447 ],
"street": "Morris Park Ave",
"zipcode": "10462"
},
"borough": "Bronx",
"cuisine": "Bakery",
"grades": [
{ "date": { "$date": 1393804800000 }, "grade": "A", "score": 2 },
{ "date": { "$date": 1378857600000 }, "grade": "A", "score": 6 },
{ "date": { "$date": 1358985600000 }, "grade": "A", "score": 10 },
{ "date": { "$date": 1322006400000 }, "grade": "A", "score": 9 },
{ "date": { "$date": 1299715200000 }, "grade": "B", "score": 14 }
],
"name": "Morris Park Bake Shop",
"restaurant_id": "30075445"
}
Query
db.restaurants.aggregate([{
$unwind: "$grades"
},
{
$group: {
_id: "$name",
avgScore: {
$avg: "$grades.score"
}
}
}
])
Output
{ _id: "Buddy'S Burrito & Taco Bar", avgScore: 13.333333333333334 },
{ _id: 'Bergen Beach Cafe', avgScore: 12 },
{ _id: 'Pergola Des Artistes', avgScore: 6.333333333333333 },
{ _id: 'ZumStammtisch', avgScore: 12.833333333333334 },
{ _id: 'Shubert Theater', avgScore: 10.4 },
{ _id: "Big Daddy'S Diner", avgScore: 13.8 },
{ _id: 'Strokos Gourmet Deli', avgScore: 12.8 },
{ _id: 'Azusa Of Japan', avgScore: 11 },
{ _id: 'Pax Wholesome Foods', avgScore: 6.875 },
{ _id: "Erin'S Isle", avgScore: 9.5 },
.....
説明
このMongoDBの集計パイプライン操作は、’restaurants’ という名前のコレクション内のデータに対して集計計算を実行するためのものです。以下に各集計ステージの説明を示します。
$unwind: "$grades"
:
このステージでは、$unwind
演算子を使用して配列フィールド"grades"
を展開して個別のドキュメントにします。これによって、後続のステージで"grades"
配列内の各要素を操作できるようになります。
$unwind演算子について…$group: { _id: "$name", avgScore: { $avg: "$grades.score" } }
:
このステージでは、$group
演算子を使用して"name"
フィールドでグループ化し、各グループの平均スコアを計算します。_id
フィールドの値は"name"
フィールドの値に設定され、同じ名前のドキュメントが同じグループに分類されます。$avg
演算子は、各グループ内の"grades.score"
フィールドの平均値(平均スコア)を計算するために使用されます。$group
演算子について…
したがって、最終的な結果は、’restaurants’ コレクション内の各異なる名前のレストランについて、その平均評価(avgScore
)が計算されます。結果は、異なるレストランの名前に従ってグループ化され、各レストランの平均評価が表示されます。
要するに、この集計操作の目的は、各レストランの平均評価を分析し、結果をレストランの名前ごとにグループ化して表示することです。
コメント