使用MongoDB中的聚合管道对前N个结果进行分类

Question

我正在使用pymongo在MongoDB上做一些分析。

在MongoDB中，有480000个json对象代表在2020年3月至4月之间发布的关于新冠肺炎病毒的推文。

特别是，这些对象包含两个字段：

1)" created_at "，表示date类型的推文的创建时间戳(例如created_at: 2020-03-20T10:57:57.000+00:00 )；

2)"retweet_count"，表示该条推文被转发的次数(如"retweet_count:30")；

我将创建一个聚合管道，该管道每天接收具有最高retweet_count值的前5000个json对象。

问题是，如果我必须使用group子句、match子句或project子句(我是新手)，我也不理解。

下面是我做过的一个尝试：

import pymongo
from datetime import datetime, tzinfo, timezone
from pymongo import MongoClient

client['Covid19']['tweets'].aggregate([
    {
        '$match' : {
            "created_at": { '$gte': datetime(2020, 3, 20), '$lt':  datetime(2020, 3, 21) } 
        }

    },
    {
        '$merge': {
            'into': 'tweets_filtered'
        }
    }
])

print(client['Covid19']['tweets_filtered'].count_documents({}))

因此，此管道提供了从3月20日到3月21日的tweet，但我将对该过程进行概括，并采用具有最高retweet_count值的每一天的前5000条tweet。

Answer 1

您可以通过编程方式生成所需的边界并使用$bucket。

1. $sort input可实现所需的排序(转发次数最多的first).
2. $bucket可按天拆分集合。
3. $push可将每个文档移动到相应日期下。
4. $project和$slice可获得前X个结果。

使用时间、计数和消息字段的Ruby示例：

require 'mongo'

Mongo::Logger.logger.level = Logger::WARN

client = Mongo::Client.new(['localhost:14420'])
c = client['foo']


c.delete_many

10.times do |i|
  day_time = Time.now - i*86400
  100.times do |j|
    time = day_time + j*100
    count = rand*1000
    message = "message #{count}"

    c.insert_one(time: time, count: count, message: message)
  end
end


days = (-1..10).map { |i| Time.now - i*86400 }.reverse
pp c.aggregate([
  {'$sort' => {count: -1}},
  {'$bucket' => {groupBy: '$time', boundaries: days,
    output: {messages: {'$push' => '$$ROOT'}},
  }},
  {'$project' => {top_messages: {'$slice' => ['$messages', 5]}}},
]).to_a

Answer 2

Pymongo使用pandas回答：

from pymongo import MongoClient
from datetime import datetime
import pandas as pd

TOP_N_PER_DAY = 5000

# Perform the find with a filter; strip out the _id
tweets = db.tweets.find({ 'created_at': {'$gte': datetime(2020, 3, 20), '$lt':  datetime(2020, 3, 22) }}, {'_id': 0})

# Create a dataframe from the find
df = pd.DataFrame(list(tweets))

# Convert the datetime to a date only timeseries
df['date'] = df['created_at'].dt.date

# Group by date and sort by retweet count
df = df.groupby('date').apply(lambda x: x.sort_values('retweet_count', ascending = False)).reset_index(drop=True)

# Take the top n per day
df = df.groupby('date').head(TOP_N_PER_DAY)

# Convert the pandas timeseries back to a datetime
df['date'] = pd.to_datetime(df['date'])

# Convert the dataframe into a list of dicts
records = df.to_dict('records')

# Insert the filtered tweets into a new collection
db.tweets_filtered.insert_many(records)