在本页面
本文档中的示例使用zipcodes集合。该系列可在以下网址获得：media.mongodb.org/zips.json。使用mongoimport将此数据集加载到mongod实例中。
数据模型
zipcodes集合中的每个文档都具有以下形式：
{
"_id": "10280",
"city": "NEW YORK",
"state": "NY",
"pop": 5574,
"loc": [
-74.016323,
40.710537
]
}
_id字段将 zip code 保存为 string。city字段包含 city name。一个城市可以有多个与之关联的 zip code，因为城市的不同部分可以各自具有不同的 zip code。state字段包含两个字母 state 缩写。pop字段包含人口。loc字段将位置保存为纬度经度对。
aggregate()方法
以下所有示例都使用mongo shell 中的aggregate()帮助程序。
aggregate()方法使用聚合管道将文档处理为聚合结果。 聚合管道由多个阶段组成，每个阶段在文档沿着管道传递时都会对其进行处理。文档按顺序通过各个阶段。
mongo shell 中的aggregate()方法在聚合数据库命令提供了一个包装器。有关用于数据聚合操作的更惯用的界面，请参阅驱动的文档。
返回人口超过 1000 万的国家
以下聚合操作将返回总人口超过 1000 万的所有州：
db.zipcodes.aggregate( [
{ $group: { _id: “$state“, totalPop: { $sum: “$pop“ } } },
{ $match: { totalPop: { $gte: 10*1000*1000 } } }
] )
在此 example 中，聚合管道包含$group阶段，后跟$match阶段：
阶段按
state字段对zipcode集合的文档进行分组，为每个 state 计算totalPop字段，并为每个唯一的 state 输出文档。新的 per-state 文档有两个字段：
_id字段和totalPop字段。_id字段包含state的 value即： group by field。totalPop字段是一个计算字段，包含每个 state 的总人口。要计算 value，$group使用$sum operator 为每个 state 添加填充字段(pop)。在$group阶段之后，管道中的文档类似于以下内容：
{ “_id“ : “AK“, “totalPop“ : 550043 }$match阶段过滤这些分组文档，仅输出
totalPopvalue 大于或等于 1000 万的文档。 $match阶段不会更改匹配的文档，但会不加修改地输出匹配的文档。
此聚合操作的等效SQL是：
SELECT state, SUM(pop) AS totalPop
FROM zipcodes
GROUP BY state
HAVING totalPop >= (10*1000*1000)
[success] 也可以看看
按 State 返回平均城市人口
以下聚合操作返回每个 state 中城市的平均人口数：
db.zipcodes.aggregate( [
{ $group: { _id: { state: “$state“, city: “$city“ }, pop: { $sum: “$pop“ } } },
{ $group: { _id: “$_id.state“, avgCityPop: { $avg: “$pop“ } } }
] )
在这个 example 中，聚合管道包含$group阶段，后跟另一个$group阶段：
第一个阶段通过
city和state的组合对文档进行分组，使用$sum表达式计算每个组合的总体，并为每个city和state组合输出一个文档。 [1]在管道中的这个阶段之后，文档类似于以下内容：
{ “_id“ : { “state“ : “CO“, “city“ : “EDGEWATER“ }, “pop“ : 13154 }第二个$group阶段通过
_id.state字段(i.e._id文档中的state字段)对管道中的文档进行分组，使用$avg表达式计算每个 state 的平均城市人口(avgCityPop)，并为每个 state 输出一个文档。
此聚合操作产生的文档类似于以下内容：
{
“_id“ : “MN“,
“avgCityPop“ : 5335
}
[success] 也可以看看
按 State 返回最大和最小城市
以下聚合操作按每个 state 的填充返回最小和最大的城市：
db.zipcodes.aggregate( [
{
$group:{
_id: { state: “$state“, city: “$city“ },
pop: { $sum: “$pop“ }
}
},
{ $sort: { pop: 1 } },
{
$group:{
_id : “$_id.state“,
biggestCity: { $last: “$_id.city“ },
biggestPop: { $last: “$pop“ },
smallestCity: { $first: “$_id.city“ },
smallestPop: { $first: “$pop“ }
}
},
// the following $project is optional, and
// modifies the output format.
{
$project:{
_id: 0,
state: “$_id“,
biggestCity: { name: “$biggestCity“, pop: “$biggestPop“ },
smallestCity: { name: “$smallestCity“, pop: “$smallestPop“ }
}
}
] )
在此 example 中，聚合管道包含$group阶段，$sort阶段，另一个$group阶段和$project阶段：
第一个$group阶段通过
city和state的组合对文档进行分组，计算每个组合的pop值的和，并为每个city和state组合输出一个文档。在管道的这个阶段，文档类似于以下内容：
{ “_id“ : { “state“ : “CO“, “city“ : “EDGEWATER“ }, “pop“ : 13154 }$sort阶段通过
popfield value 对管道中的文档进行排序，从最小到最大; 即：通过增加 order。此操作不会更改文档。下一个$group阶段按
_id.state字段(即：_id文档中的state字段)对 now-sorted 文档进行分组，并为每个 state 输出一个文档。该阶段还为每个 state 计算以下四个字段。使用$last表达式，$group operator 创建
biggestCity和biggestPop字段，用于存储人口和人口最多的城市。使用$first表达式，$group operator 创建smallestCity和smallestPop字段，用于存储人口和人口最少的城市。在管道的这个阶段，文件类似于以下内容：
{ “_id“ : “WA“, “biggestCity“ : “SEATTLE“, “biggestPop“ : 520096, “smallestCity“ : “BENGE“, “smallestPop“ : 2 }最后的$project阶段将
_id字段重命名为state，并将biggestCity，biggestPop，smallestCity和smallestPop移动到biggestCity和smallestCity嵌入文档中。
此聚合操作的输出文档类似于以下内容：
{
“state“ : “RI“,
“biggestCity“ : {
“name“ : “CRANSTON“,
“pop“ : 176404
},
“smallestCity“ : {
“name“ : “CLAYVILLE“,
“pop“ : 45
}
}
| [1] | 一个城市可以有多个与之关联的 zip code，因为城市的不同部分可以各自具有不同的 zip code。 |
译者：李冠飞
校对：李冠飞
参见