将 $push 与 $group 与 pymongo 一起使用

Question

目标

修复我的 make_pipeline() 函数，使用聚合查询计算每个用户的推文数量，将它们添加到数组中并返回推文最多的 5 个用户。

运动

使用聚合查询，计算每个用户的推文数量。 在同一个$group 阶段，使用$push 来累积每个用户的所有推文文本。

将您的输出限制为拥有最多推文的 5 位用户。

您的结果文档应仅包含以下字段：

• "_id"（用户的网名），
• "count"（为用户找到的推文数量），
• "tweet_texts"（为用户找到的推文文本列表）。

背景

为了实现之前的目标，我正在测试以下代码：

def make_pipeline():
    # complete the aggregation pipeline
    pipeline = [
        {"$group": {"_id": "$user.screen_name", "tweet_texts": {"$push": "$text"}, "count": {"$sum": 1}}},
        {"$project": {"_id": "$user.screen_name", "count": 1, "tweet_texts": 1}},
        {"$sort" : {"count" : -1}},
        {"$limit": 5}
    ]
    return pipeline

逻辑

首先，我将所有推文按username 分组。然后，在同一阶段，我将所有发短信的推文推送到tweet_texts，并计算每一次出现的次数。我相信这会给我提供最多推文的用户数量。

然后我做一个投影，只选择我想要的三个字段：

• _id
• 计数
• tweet_texts

我通过排序和限制结果的数量来完成。

问题

我通过了测试，但没有通过提交。我究竟做错了什么？ 我现在的错误一定是在第一（组）阶段，但看在上帝的份上，我找不到我做错了什么。

数据样本

{
    "_id" : ObjectId("5304e2e3cc9e684aa98bef97"),
    "text" : "First week of school is over :P",
    "in_reply_to_status_id" : null,
    "retweet_count" : null,
    "contributors" : null,
    "created_at" : "Thu Sep 02 18:11:25 +0000 2010",
    "geo" : null,
    "source" : "web",
    "coordinates" : null,
    "in_reply_to_screen_name" : null,
    "truncated" : false,
    "entities" : {
        "user_mentions" : [ ],
        "urls" : [ ],
        "hashtags" : [ ]
    },
    "retweeted" : false,
    "place" : null,
    "user" : {
        "friends_count" : 145,
        "profile_sidebar_fill_color" : "E5507E",
        "location" : "Ireland :)",
        "verified" : false,
        "follow_request_sent" : null,
        "favourites_count" : 1,
        "profile_sidebar_border_color" : "CC3366",
        "profile_image_url" : "http://a1.twimg.com/profile_images/1107778717/phpkHoxzmAM_normal.jpg",
        "geo_enabled" : false,
        "created_at" : "Sun May 03 19:51:04 +0000 2009",
        "description" : "",
        "time_zone" : null,
        "url" : null,
        "screen_name" : "Catherinemull",
        "notifications" : null,
        "profile_background_color" : "FF6699",
        "listed_count" : 77,
        "lang" : "en",
        "profile_background_image_url" : "http://a3.twimg.com/profile_background_images/138228501/149174881-8cd806890274b828ed56598091c84e71_4c6fd4d8-full.jpg",
        "statuses_count" : 2475,
        "following" : null,
        "profile_text_color" : "362720",
        "protected" : false,
        "show_all_inline_media" : false,
        "profile_background_tile" : true,
        "name" : "Catherine Mullane",
        "contributors_enabled" : false,
        "profile_link_color" : "B40B43",
        "followers_count" : 169,
        "id" : 37486277,
        "profile_use_background_image" : true,
        "utc_offset" : null
    },
    "favorited" : false,
    "in_reply_to_user_id" : null,
    "id" : NumberLong("22819398300")
}

请帮忙！

Answer 1

$project 步骤是多余的，因为 $group 管道已经生成了这三个字段，因此不需要前面的 $project 舞台。

正确的管道应该是

pipeline = [ 
    {
        "$group": {
            "_id": "$user.screen_name", 
            "tweet_texts": { "$push": "$text" }, 
            "count": { "$sum": 1 }
        }
    }, 
    { "$sort" : { "count" : -1 } }, 
    { "$limit": 5 } 
] 

您的 $project 管道不起作用，因为之前的 $group 管道没有生成您尝试用作 @ 的任何字段 "$user.screen_name" $project 管道中的 987654335@ 字段。

但是，如果您想包含 $project 步骤，那么工作管道应该如下所示：

pipeline = [ 
    {
        "$group": {
            "_id": "$user.screen_name", 
            "tweet_texts": { "$push": "$text" }, 
            "count": { "$sum": 1 }
        }
    }, 
    { "$project": { "count": 1, "tweet_texts": 1 } },
    { "$sort" : { "count" : -1 } }, 
    { "$limit": 5 } 
] 

Answer 2

阅读cmets

阅读cmets我发现

pipeline = [
        {"$group": {"_id": "$user.screen_name", "tweet_texts": {"$push": "$text"}, "count": {"$sum": 1}}},
        {"$project": {"_id": "$user.screen_name", "count": 1, "tweet_texts": 1}},
        {"$sort" : {"count" : -1}},
        {"$limit": 5}
    ]

实际上应该改为：

pipeline = [ 
        {"$group": {"_id": "$user.screen_name", "tweet_texts": {"$push": "$text"}, "count": {"$sum": 1}}}, 
        {"$sort" : {"count" : -1}}, 
        {"$limit": 5}
    ]

为什么？

完整答案及解释见答案：

• What is the difference between these two MongoDB queries?

故事的结论是我错误地使用了$project阶段。不仅是一开始就不需要，为了使它具有幂等性，它应该是

{"$project": {"_id": "$_id", "count": 1, "tweet_texts": 1}},

我也强烈推荐他的回答：

• https://stackoverflow.com/a/40970901/1337392

特别感谢

以下用户值得称赞++：

• https://stackoverflow.com/users/122005/chridam

为了指引我走上正确的道路！