View a markdown version of this page

$std DevPop - Amazon DocumentDB

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

$std DevPop

Nouveau depuis la version 8.0.1.

L'$stdDevPopopérateur d'Amazon DocumentDB calcule l'écart type de population des valeurs numériques. En tant qu'accumulateur, il calcule l'écart type de population entre les documents d'un groupe au $group stade d'un pipeline d'agrégation. En tant qu'expression, il calcule l'écart type de population d'un tableau de nombres. L'écart-type de la population utilise N comme diviseur (non N-1). Non-numeric les valeurs sont ignorées. S'il n'y a pas de valeurs numériques, elle est renvoyéenull. S'il n'y a qu'une seule valeur numérique, elle est renvoyée0.

Paramètres

  • expression: expression qui se résout en une valeur numérique ou en un tableau de valeurs numériques.

Exemple (MongoDB Shell)

L'exemple suivant montre comment utiliser l'$stdDevPopopérateur pour calculer l'écart type des scores de la population par sujet.

Créez des exemples de documents

db.scores.insertMany([ { subject: "math", score: 60 }, { subject: "math", score: 75 }, { subject: "math", score: 85 }, { subject: "math", score: 92 }, { subject: "math", score: 78 }, { subject: "science", score: 55 }, { subject: "science", score: 70 }, { subject: "science", score: 82 }, { subject: "science", score: 91 }, { subject: "science", score: 67 } ]);

Exemple de requête

db.scores.aggregate([ { $group: { _id: "$subject", stdDev: { $stdDevPop: "$score" } }} ]);

Sortie

[ { "_id": "math", "stdDev": 10.75174404457249 }, { "_id": "science", "stdDev": 12.441864811996632 } ]

Exemple d'utilisation d'expressions (MongoDB Shell)

L'$stdDevPopopérateur peut également être utilisé comme expression au sein d'une $project étape pour calculer l'écart type de population d'un champ de tableau.

Créez des exemples de documents

db.experiments.insertMany([ { _id: 1, measurements: [10, 12, 14, 16, 18] }, { _id: 2, measurements: [5, 5, 5, 5, 5] }, { _id: 3, measurements: [2, 4, 6, 8, 10] } ]);

Exemple de requête

db.experiments.aggregate([ { $project: { stdDev: { $stdDevPop: "$measurements" } }} ]);

Sortie

[ { "_id": 1, "stdDev": 2.8284271247461903 }, { "_id": 2, "stdDev": 0 }, { "_id": 3, "stdDev": 2.8284271247461903 } ]

Exemple d'utilisation d'un opérateur de fenêtre (MongoDB Shell)

Nouveau depuis la version 8.0.2.

L'$stdDevPopopérateur peut également être utilisé comme opérateur de fenêtre dans la $setWindowFields scène. Dans ce contexte, il renvoie l'écart type de population de l'expression spécifiée pour les documents de chaque fenêtre. Vous spécifiez l'opérateur dans le output champ et définissez éventuellement les limites de la fenêtre à l'aide d'un window document.

Créez des exemples de documents

db.sensorData.insertMany([ { _id: 1, sensor: "A", time: 1, reading: 4 }, { _id: 2, sensor: "A", time: 2, reading: 10 }, { _id: 3, sensor: "A", time: 3, reading: 10 }, { _id: 4, sensor: "B", time: 1, reading: 10 }, { _id: 5, sensor: "B", time: 2, reading: 20 } ]);

Exemple de requête

L'exemple suivant partitionne les documents parsensor, trie chaque partition par time et renvoie l'écart type de population courant reading entre le début de la partition et le document en cours.

db.sensorData.aggregate([ { $setWindowFields: { partitionBy: "$sensor", sortBy: { time: 1 }, output: { runningStdDev: { $stdDevPop: "$reading", window: { documents: ["unbounded", "current"] } } } } } ]);

Sortie

[ { "_id": 1, "sensor": "A", "time": 1, "reading": 4, "runningStdDev": 0 }, { "_id": 2, "sensor": "A", "time": 2, "reading": 10, "runningStdDev": 3 }, { "_id": 3, "sensor": "A", "time": 3, "reading": 10, "runningStdDev": 2.8284271247461903 }, { "_id": 4, "sensor": "B", "time": 1, "reading": 10, "runningStdDev": 0 }, { "_id": 5, "sensor": "B", "time": 2, "reading": 20, "runningStdDev": 5 } ]

Chaque document est augmenté de runningStdDev l'écart type de population à l'readingintérieur de sa partition jusqu'au document actuel inclus. Lorsque la fenêtre contient une seule valeur, $stdDevPop renvoie0.

Exemples de code

Pour afficher un exemple de code d'utilisation de l'$stdDevPopopérateur, choisissez l'onglet correspondant à la langue que vous souhaitez utiliser. Les exemples suivants montrent l'utilisation de l'accumulateur (in$group), l'utilisation des expressions (in$project) et l'utilisation de l'opérateur de fenêtre (in$setWindowFields) :

Node.js
const { MongoClient } = require('mongodb'); async function example() { const uri = 'mongodb://<username>:<password>@<cluster-endpoint>:27017/?tls=true&tlsCAFile=global-bundle.pem&replicaSet=rs0&readPreference=secondaryPreferred&retryWrites=false'; const client = new MongoClient(uri); try { await client.connect(); const db = client.db('test'); // Accumulator usage: stdDevPop across grouped documents const scores = db.collection('scores'); await scores.insertMany([ { subject: "math", score: 60 }, { subject: "math", score: 75 }, { subject: "math", score: 85 }, { subject: "math", score: 92 }, { subject: "math", score: 78 }, { subject: "science", score: 55 }, { subject: "science", score: 70 }, { subject: "science", score: 82 }, { subject: "science", score: 91 }, { subject: "science", score: 67 } ]); const accumulatorResult = await scores.aggregate([ { $group: { _id: "$subject", stdDev: { $stdDevPop: "$score" } }} ]).toArray(); console.log('Accumulator result:', accumulatorResult); // Expression usage: stdDevPop of an array field const experiments = db.collection('experiments'); await experiments.insertMany([ { _id: 1, measurements: [10, 12, 14, 16, 18] }, { _id: 2, measurements: [5, 5, 5, 5, 5] }, { _id: 3, measurements: [2, 4, 6, 8, 10] } ]); const expressionResult = await experiments.aggregate([ { $project: { stdDev: { $stdDevPop: "$measurements" } }} ]).toArray(); console.log('Expression result:', expressionResult); // Window operator usage: running stdDevPop within each partition const sensorData = db.collection('sensorData'); await sensorData.insertMany([ { _id: 1, sensor: "A", time: 1, reading: 4 }, { _id: 2, sensor: "A", time: 2, reading: 10 }, { _id: 3, sensor: "A", time: 3, reading: 10 }, { _id: 4, sensor: "B", time: 1, reading: 10 }, { _id: 5, sensor: "B", time: 2, reading: 20 } ]); const windowResult = await sensorData.aggregate([ { $setWindowFields: { partitionBy: "$sensor", sortBy: { time: 1 }, output: { runningStdDev: { $stdDevPop: "$reading", window: { documents: ["unbounded", "current"] } } } } } ]).toArray(); console.log('Window result:', windowResult); } finally { await client.close(); } } example();
Python
from pymongo import MongoClient def example(): client = MongoClient('mongodb://<username>:<password>@<cluster-endpoint>:27017/?tls=true&tlsCAFile=global-bundle.pem&replicaSet=rs0&readPreference=secondaryPreferred&retryWrites=false') try: db = client['test'] # Accumulator usage: stdDevPop across grouped documents scores = db['scores'] scores.insert_many([ { 'subject': 'math', 'score': 60 }, { 'subject': 'math', 'score': 75 }, { 'subject': 'math', 'score': 85 }, { 'subject': 'math', 'score': 92 }, { 'subject': 'math', 'score': 78 }, { 'subject': 'science', 'score': 55 }, { 'subject': 'science', 'score': 70 }, { 'subject': 'science', 'score': 82 }, { 'subject': 'science', 'score': 91 }, { 'subject': 'science', 'score': 67 } ]) accumulator_result = list(scores.aggregate([ { '$group': { '_id': '$subject', 'stdDev': { '$stdDevPop': '$score' } }} ])) print('Accumulator result:', accumulator_result) # Expression usage: stdDevPop of an array field experiments = db['experiments'] experiments.insert_many([ { '_id': 1, 'measurements': [10, 12, 14, 16, 18] }, { '_id': 2, 'measurements': [5, 5, 5, 5, 5] }, { '_id': 3, 'measurements': [2, 4, 6, 8, 10] } ]) expression_result = list(experiments.aggregate([ { '$project': { 'stdDev': { '$stdDevPop': '$measurements' } }} ])) print('Expression result:', expression_result) # Window operator usage: running stdDevPop within each partition sensor_data = db['sensorData'] sensor_data.insert_many([ { '_id': 1, 'sensor': 'A', 'time': 1, 'reading': 4 }, { '_id': 2, 'sensor': 'A', 'time': 2, 'reading': 10 }, { '_id': 3, 'sensor': 'A', 'time': 3, 'reading': 10 }, { '_id': 4, 'sensor': 'B', 'time': 1, 'reading': 10 }, { '_id': 5, 'sensor': 'B', 'time': 2, 'reading': 20 } ]) window_result = list(sensor_data.aggregate([ { '$setWindowFields': { 'partitionBy': '$sensor', 'sortBy': { 'time': 1 }, 'output': { 'runningStdDev': { '$stdDevPop': '$reading', 'window': { 'documents': ['unbounded', 'current'] } } } } } ])) print('Window result:', window_result) finally: client.close() example()