db.collection.aggregate(
[
{
"$addFields": {
"indexes": {
"$range": [
0,
{
"$size": "$time_series"
}
]
},
"reversedSeries": {
"$reverseArray": "$time_series"
}
}
},
{
"$project": {
"derivatives": {
"$reverseArray": {
"$slice": [
{
"$map": {
"input": {
"$zip": {
"inputs": [
"$reversedSeries",
"$indexes"
]
}
},
"in": {
"$subtract": [
{
"$arrayElemAt": [
"$$this",
0
]
},
{
"$arrayElemAt": [
"$reversedSeries",
{
"$add": [
{
"$arrayElemAt": [
"$$this",
1
]
},
1
]
}
]
}
]
}
}
},
{
"$subtract": [
{
"$size": "$time_series"
},
1
]
}
]
}
},
"time_series": 1
}
}
]
)
W tym celu możemy użyć powyższego potoku w wersji 3.4+. W potoku używamy $addFields
etap rurociągu. operatora, aby dodać tablicę indeksu elementów "time_series" do dokumentu, odwróciliśmy również tablicę szeregów czasowych i dodaliśmy ją do dokumentu, używając odpowiednio $range
i $reverseArray
operatorzy
Odwróciliśmy tutaj tablicę, ponieważ element na pozycji p w tablicy jest zawsze większa niż element na pozycji p+1 co oznacza, że [p] - [p+1] <0 i nie chcemy używać $multiply
tutaj.(zobacz potok dla wersji 3.2)
Następnie $zip dane szeregu czasowego z tablicą indeksów i zastosowane odejmowanie
wyrażenie do wynikowej tablicy za pomocą $map operatora.
Następnie $slice wynik do odrzucenia null/None wartości z tablicy i ponownie odwrócił wynik.
W 3.2 możemy użyć $unwind
operator odpręż się naszą tablicę i dołącz indeks każdego elementu do tablicy, określając dokument jako operand zamiast tradycyjnej „ścieżki” poprzedzonej $ .
Następnie w potoku musimy $group
nasze dokumenty i korzystaj z $push
operator akumulatora do zwrócenia tablicy poddokumentów, które wyglądają tak:
{
"_id" : ObjectId("57c11ddbe860bd0b5df6bc64"),
"time_series" : [
{ "value" : 10, "index" : NumberLong(0) },
{ "value" : 20, "index" : NumberLong(1) },
{ "value" : 40, "index" : NumberLong(2) },
{ "value" : 70, "index" : NumberLong(3) },
{ "value" : 110, "index" : NumberLong(4) }
]
}
Wreszcie pojawia się $project
etap. Na tym etapie musimy użyć $map
operator do zastosowania serii wyrażeń do każdego elementu w nowo obliczonej tablicy w $grupie scena.
Oto, co dzieje się wewnątrz $mapy (zobacz $map jako pętla for) w wyrażenie:
Do każdego dokumentu podrzędnego przypisujemy wartość pole do zmiennej przy użyciu $let
operator zmienny. Następnie odejmujemy jej wartość od wartości pola „value” następnego elementu w tablicy.
Ponieważ następnym elementem tablicy jest element pod bieżącym indeksem plus jeden, potrzebujemy jedynie pomocy $arrayElemAt
operator i prosty $add
pozycja indeksu bieżącego elementu i 1 .
$subtract
wyrażenie zwraca wartość ujemną, więc musimy pomnożyć wartość przez -1 za pomocą $multiply
operatora.
Musimy również $filter
wynikowa tablica, ponieważ ostatnim elementem jest Brak lub null . Powodem jest to, że gdy bieżący element jest ostatnim elementem, $subtract zwróć Brak ponieważ indeks następnego elementu jest równy rozmiarowi tablicy.
db.collection.aggregate([
{
"$unwind": {
"path": "$time_series",
"includeArrayIndex": "index"
}
},
{
"$group": {
"_id": "$_id",
"time_series": {
"$push": {
"value": "$time_series",
"index": "$index"
}
}
}
},
{
"$project": {
"time_series": {
"$filter": {
"input": {
"$map": {
"input": "$time_series",
"as": "el",
"in": {
"$multiply": [
{
"$subtract": [
"$$el.value",
{
"$let": {
"vars": {
"nextElement": {
"$arrayElemAt": [
"$time_series",
{
"$add": [
"$$el.index",
1
]
}
]
}
},
"in": "$$nextElement.value"
}
}
]
},
-1
]
}
}
},
"as": "item",
"cond": {
"$gte": [
"$$item",
0
]
}
}
}
}
}
])
Inną opcją, która moim zdaniem jest mniej wydajna, jest wykonanie operacji map/reduce na naszej kolekcji przy użyciu map_reduce
metoda.
>>> import pymongo
>>> from bson.code import Code
>>> client = pymongo.MongoClient()
>>> db = client.test
>>> collection = db.collection
>>> mapper = Code("""
... function() {
... var derivatives = [];
... for (var index=1; index<this.time_series.length; index++) {
... derivatives.push(this.time_series[index] - this.time_series[index-1]);
... }
... emit(this._id, derivatives);
... }
... """)
>>> reducer = Code("""
... function(key, value) {}
... """)
>>> for res in collection.map_reduce(mapper, reducer, out={'inline': 1})['results']:
... print(res) # or do something with the document.
...
{'value': [10.0, 20.0, 30.0, 40.0], '_id': ObjectId('57c11ddbe860bd0b5df6bc64')}
Możesz także pobrać cały dokument i użyć numpy.diff aby zwrócić pochodną w ten sposób:
import numpy as np
for document in collection.find({}, {'time_series': 1}):
result = np.diff(document['time_series'])
