› › ›

Агрегация Normalize

Родительская агрегация с каналами, которая вычисляет нормализованное/перемасштабированное значение для определённого значения корзины. Значения, которые нельзя нормализовать, будут пропущены с помощью политики пропуска пробелов.

Синтаксис

Агрегация normalize выглядит следующим образом:

{
  "normalize": {
    "buckets_path": "normalized",
    "method": "percent_of_sum"
  }
}

Таблица 71. normalize_pipeline Параметры

Имя параметра	Описание	Обязательно	Значение по умолчанию
`buckets_path`	Путь к корзинам, которые мы хотим нормализовать (см. `buckets_path` синтаксис для получения более подробной информации)	Обязательно
`method`	Конкретный метод для применения	Обязательно
`format`	формат для применения к выходному значению этой агрегации	Необязательно	`null`

Методы

Агрегация Normalize поддерживает несколько методов преобразования значений корзины. Каждое определение метода будет использовать следующий исходный набор значений корзин в качестве примера: [5, 5, 10, 50, 10, 20].

rescale_0_1

Этот метод перемасштабирует данные таким образом, что минимальное значение равно нулю, а максимальное — 1, при этом остальные значения нормализуются линейно между ними.

x' = (x - min_x) / (max_x - min_x)

[0, 0, .1111, 1, .1111, .3333]

rescale_0_100

Этот метод перемасштабирует данные таким образом, что минимальное значение равно нулю, а максимальное — 100, при этом остальные значения нормализуются линейно между ними.

x' = 100 * (x - min_x) / (max_x - min_x)

[0, 0, 11.11, 100, 11.11, 33.33]

percent_of_sum

Этот метод нормализует каждое значение таким образом, что оно представляет собой процент от общей суммы, которую оно суммирует.

x' = x / sum_x

[5%, 5%, 10%, 50%, 10%, 20%]

mean

Этот метод нормализует таким образом, что каждое значение нормализуется в зависимости от того, насколько оно отличается от среднего.

x' = (x - mean_x) / (max_x - min_x)

[4.63, 4.63, 9.63, 49.63, 9.63, 9.63, 19.63]

zscore

Этот метод нормализует таким образом, что каждое значение представляет собой расстояние от среднего значения по отношению к стандартному отклонению.

x' = (x - mean_x) / stdev_x

[-0.68, -0.68, -0.39, 1.94, -0.39, 0.19]

softmax

Этот метод нормализует таким образом, что каждое значение возводится в степень, а отношение между значениями определяется суммой экспонент исходных значений.

x' = e^x / sum_e_x

[2.862E-20, 2.862E-20, 4.248E-18, 0.999, 9.357E-14, 4.248E-18]

Пример

Следующий фрагмент кода рассчитывает процент от общего объема продаж для каждого месяца:

POST /sales/_search
{
  "size": 0,
  "aggs": {
    "sales_per_month": {
      "date_histogram": {
        "field": "date",
        "calendar_interval": "month"
      },
      "aggs": {
        "sales": {
          "sum": {
            "field": "price"
          }
        },
        "percent_of_total_sales": {
          "normalize": {
            "buckets_path": "sales",          
            "method": "percent_of_sum",       
            "format": "00.00%"                
          }
        }
      }
    }
  }
}

	`buckets_path` указывает этой агрегации Normalize использовать выходные данные агрегации `sales` для перемасштабирования
	`method` задаёт, какой метод перемасштабирования применить. В данном случае, `percent_of_sum` рассчитает значение продаж как процент от всех продаж в родительской корзине
	`format` влияет на то, как отформатировать метрику в виде строки, используя шаблон Java `DecimalFormat`. В данном случае, умножение на 100 и добавление %

И вот возможный ответ:

{
   "took": 11,
   "timed_out": false,
   "_shards": ...,
   "hits": ...,
   "aggregations": {
      "sales_per_month": {
         "buckets": [
            {
               "key_as_string": "2015/01/01 00:00:00",
               "key": 1420070400000,
               "doc_count": 3,
               "sales": {
                  "value": 550.0
               },
               "percent_of_total_sales": {
                  "value": 0.5583756345177665,
                  "value_as_string": "55.84%"
               }
            },
            {
               "key_as_string": "2015/02/01 00:00:00",
               "key": 1422748800000,
               "doc_count": 2,
               "sales": {
                  "value": 60.0
               },
               "percent_of_total_sales": {
                  "value": 0.06091370558375635,
                  "value_as_string": "06.09%"
               }
            },
            {
               "key_as_string": "2015/03/01 00:00:00",
               "key": 1425168000000,
               "doc_count": 2,
               "sales": {
                  "value": 375.0
               },
               "percent_of_total_sales": {
                  "value": 0.38071065989847713,
                  "value_as_string": "38.07%"
               }
            }
         ]
      }
   }
}

© 2023-2025 Elasticsearch
As of September 2024, Elasticsearch is available under a choice of three licenses: the Server Side Public License (SSPL), the Elastic License, or the AGPLv3 (OSI approved).
Elasticsearch and the Elasticsearch logo are trademarks of Elasticsearch B.V., registered in the U.S. and in other countries.
https://www.elastic.co/guide/en/elasticsearch/reference/7.17/search-aggregations-pipeline-normalize-aggregation.html