{ “price” : 25000, “color” : “blue”, “make” : “ford”, “sold” : “2014-02-12” }
[](
)聚合为桶
-----------------------------------------------------------------
首先，我们按照 汽车的颜色`color`来划分`桶`
GET /cars/_search
{
"size" : 0,
"aggs" : {
"popular_colors" : {
"terms" : {
"field" : "color"
}
}
}
}
* size： 查询条数，这里设置为0，因为我们不关心搜索到的数据，只关心聚合结果，提高效率
* aggs：声明这是一个聚合查询，是aggregations的缩写
* popular\_colors：给这次聚合起一个名字，任意。
* terms：划分桶的方式，这里是根据词条划分
* field：划分桶的字段
结果：
[](
)桶内度量
-----------------------------------------------------------------
前面的例子告诉我们每个桶里面的文档数量，但是我们需要更复杂的文档度量，我们需要告诉Elasticsearch`使用哪个字段`，`使用何种度量方式`进行运算，这些信息要嵌套在`桶`内，`度量`的运算会基于`桶`内的文档进行
现在，为刚刚的聚合结果添加 **求价格平均值的度量**：
GET /cars/_search
{
"size" : 0,
"aggs" : {
"popular_colors" : {
"terms" : {
"field" : "color"
},
"aggs":{
"avg_price": {
"avg": {
"field": "price"
}
}
}
}
}
}
* aggs：我们在上一个aggs(popular\_colors)中添加新的aggs。可见`度量`也是一个聚合
* avg\_price：聚合的名称
* avg：度量的类型，这里是求平均值
* field：度量运算的字段
结果：
[](
)桶内嵌套桶
------------------------------------------------------------------
刚刚的案例中，我们在桶内嵌套度量运算。事实上桶不仅可以嵌套运算， 还可以再嵌套其它桶。也就是说在每个分组中，再分更多组。
比如：我们想统计每种颜色的汽车中，分别属于哪个制造商，按照`make`字段再进行分桶
GET /cars/_search
{
"size" : 0,
"aggs" : {
"popular_colors" : {
"terms" : {
"field" : "color"
},
"aggs":{
"avg_price": {
"avg": {
"field": "price"
}
},
"maker":{
"terms":{
"field":"make"
}
}
}
}
}
}
* maker：在嵌套的aggs下新添一个桶，叫做maker
* terms：桶的划分类型依然是词条
* filed：这里根据make字段进行划分
部分结果：
[](
)划分桶的其它方式
---------------------------------------------------------------------
* `Date Histogram Aggregation`：根据日期阶梯分组，例如给定阶梯为周，会自动每周分为一组
* `Histogram Aggregation`：根据数值阶梯分组，与日期类似
* `Range Aggregation`：数值和日期的范围分组，指定开始和结束，然后按段分组
刚刚的案例中，我们采用的是`Terms Aggregation`，即根据词条划分桶。接下来，我们再学习几个比较实用的：
**阶梯分桶Histogram Aggregation：**
histogram是把数值类型的字段，按照一定的阶梯大小进行分组。你需要指定一个阶梯值（interval）来划分阶梯大小。
计算公式如下：`bucket_key = Math.floor((value - offset) / interval) * interval + offset`
以一件价格450的商品为例，`value：当前数据的值450，offset：起始偏移量，默认为0，interval：阶梯间隔，比如200，`因此你得到的：key = Math.floor((450 - 0) / 200) \* 200 + 0 = 400
案例：对汽车的价格进行分组，指定间隔interval为5000：
GET /cars/_search
{
“size”:0,
“aggs”:{
"price":{
"histogram": {
"field": "price",
"interval": 5000
}
}
}
}
结果：
示例：增加一个参数min\_doc\_count为1，过滤文档数量为0的桶
GET /cars/_search
{
“size”:0,
“aggs”:{
"price":{
"histogram": {
"field": "price",
"interval": 5000,
"min_doc_count": 1
}
}
}
}
结果：
### 最后
这份文档从构建一个键值数据库的关键架构入手，不仅带你建立起全局观，还帮你迅速抓住核心主线。除此之外，还会具体讲解数据结构、线程模型、网络框架、持久化、主从同步和切片集群等，帮你搞懂底层原理。相信这对于所有层次的Redis使用者都是一份非常完美的教程了。
**[CodeChina开源项目：【一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频】](
)**
**整理不易，觉得有帮助的朋友可以帮忙点赞分享支持一下小编~**
**你的支持，我的动力；祝各位前程似锦，offer不断！！！**
g==,size_16,color_FFFFFF,t_70)
### 最后
这份文档从构建一个键值数据库的关键架构入手，不仅带你建立起全局观，还帮你迅速抓住核心主线。除此之外，还会具体讲解数据结构、线程模型、网络框架、持久化、主从同步和切片集群等，帮你搞懂底层原理。相信这对于所有层次的Redis使用者都是一份非常完美的教程了。
[外链图片转存中...(img-YvK4ZSeh-1631157940303)]
**[CodeChina开源项目：【一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频】](
)**
**整理不易，觉得有帮助的朋友可以帮忙点赞分享支持一下小编~**
**你的支持，我的动力；祝各位前程似锦，offer不断！！！**