기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
$stdDevPop
버전 8.0.1에서 새로 추가되었습니다.
Amazon DocumentDB의 $stdDevPop 연산자는 숫자 값의 모집단 표준 편차를 계산합니다. 누적기는 집계 파이프라인의 $group 단계에서 그룹 내 문서 전반의 모집단 표준 편차를 계산합니다. 표현식으로 숫자 배열의 모집단 표준 편차를 계산합니다. 모집단 표준 편차는 N을 제곱(N-1 아님)으로 사용합니다. 숫자가 아닌 값은 무시됩니다. 숫자 값이 없으면를 반환합니다null. 숫자 값이 하나만 있는 경우를 반환합니다0.
파라미터
예제(MongoDB 쉘)
다음 예제에서는 $stdDevPop 연산자를 사용하여 주제당 점수의 모집단 표준 편차를 계산하는 방법을 보여줍니다.
샘플 문서 생성
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 }
]);
쿼리 예제
db.scores.aggregate([
{ $group: {
_id: "$subject",
stdDev: { $stdDevPop: "$score" }
}}
]);
출력
[
{ "_id": "math", "stdDev": 10.75174404457249 },
{ "_id": "science", "stdDev": 12.441864811996632 }
]
표현식 사용 예제(MongoDB Shell)
연$stdDevPop산자를 $project 단계 내의 표현식으로 사용하여 배열 필드의 모집단 표준 편차를 계산할 수도 있습니다.
샘플 문서 생성
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] }
]);
쿼리 예제
db.experiments.aggregate([
{ $project: {
stdDev: { $stdDevPop: "$measurements" }
}}
]);
출력
[
{ "_id": 1, "stdDev": 2.8284271247461903 },
{ "_id": 2, "stdDev": 0 },
{ "_id": 3, "stdDev": 2.8284271247461903 }
]
창 연산자 사용 예제(MongoDB Shell)
버전 8.0.2에서 새로 추가되었습니다.
연$stdDevPop산자는 $setWindowFields 스테이지에서 창 연산자로 사용할 수도 있습니다. 이 컨텍스트에서는 각 창의 문서에 대해 지정된 표현식의 모집단 표준 편차를 반환합니다. output 필드 아래에 연산자를 지정하고 선택적으로 window 문서로 창 경계를 정의합니다.
샘플 문서 생성
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 }
]);
쿼리 예제
다음 예제에서는 문서를 기준으로 분할하고sensor, 각 파티션을 기준으로 정렬하고time, 파티션 시작reading부터 현재 문서까지의 실행 중인 모집단 표준 편차를 반환합니다.
db.sensorData.aggregate([
{
$setWindowFields: {
partitionBy: "$sensor",
sortBy: { time: 1 },
output: {
runningStdDev: {
$stdDevPop: "$reading",
window: { documents: ["unbounded", "current"] }
}
}
}
}
]);
출력
[
{ "_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 }
]
각 문서는 현재 문서까지 파티션 reading 내의 모집단 표준 편차runningStdDev인 로 보강됩니다. 창에 단일 값이 포함된 경우는를 $stdDevPop 반환합니다0.
코드 예제
$stdDevPop 연산자 사용에 대한 코드 예제를 보려면 사용하려는 언어의 탭을 선택합니다. 다음 예제에서는 누적기 사용량(의 $group), 표현식 사용량(의 $project) 및 창 연산자 사용량(의 )을 보여줍니다. $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()
