当前位置： 首页 > wzjs >正文

网站开发遇到的风险潍坊网站公司网络科技

wzjs 2025/9/14 5:06:02
网站开发遇到的风险,潍坊网站公司网络科技,wordpress oss官方,学网站建设要多长时间1 字符串字段 在 Milvus 中，VARCHAR 是用于存储字符串数据的数据类型。定义VARCHAR 字段时，有两个参数是必须的： 将datatype 设置为DataType.VARCHAR 。指定max_length ，它定义了VARCHAR 字段可存储的最大字符数。max_length 的有…

1 字符串字段

        在 Milvus 中，VARCHAR 是用于存储字符串数据的数据类型。定义VARCHAR 字段时，有两个参数是必须的：

  • 将datatype 设置为DataType.VARCHAR 。
  • 指定max_length ，它定义了VARCHAR 字段可存储的最大字符数。max_length 的有效范围为 1 至 65,535 个字符。

        Milvus 支持VARCHAR 字段的空值和默认值。要启用这些功能，可将nullable 设置为True ，将default_value 设置为字符串值。

1.1 添加 VARCHAR 字段

        要在 Milvus 中存储字符串数据，请在 Collections Schema 中定义一个VARCHAR 字段。下面是一个定义了两个VARCHAR 字段的 Collections 模式的示例：

  • varchar_field1VARCHAR：最多存储 100 个字符，允许空值，默认值为"Unknown" 。
  • varchar_field2：字段最多可储存 200 个字符，允许空值，但没有默认值。

        如果在定义 Schema 时设置enable_dynamic_fields=True ，Milvus 允许插入事先未定义的标量字段。不过，这可能会增加查询和管理的复杂性，并可能影响性能。

# 导入必要的库
from pymilvus import MilvusClient, DataType# 定义服务器地址
SERVER_ADDR = "http://localhost:19530"# 创建一个MilvusClient实例
client = MilvusClient(uri=SERVER_ADDR)# 定义集合模式
schema = client.create_schema(auto_id=False,enable_dynamic_fields=True,
)# 添加“varchar_field1”，支持null值，默认值为“未知”。
schema.add_field(field_name="varchar_field1", datatype=DataType.VARCHAR, max_length=100, nullable=True, default_value="Unknown")
# 增加‘ varchar_field2 ’，支持无默认值的空值
schema.add_field(field_name="varchar_field2", datatype=DataType.VARCHAR, max_length=200, nullable=True)
schema.add_field(field_name="pk", datatype=DataType.INT64, is_primary=True)
schema.add_field(field_name="embedding", datatype=DataType.FLOAT_VECTOR, dim=3)

1.2 设置索引参数

        索引有助于提高搜索和查询性能。在 Milvus 中，对于向量字段必须建立索引，但对于标量字段可选。下面的示例使用AUTOINDEX 索引类型为向量字段embedding 和标量字段varchar_field1 创建了索引。使用这种类型，Milvus 会根据数据类型自动选择最合适的索引。您还可以自定义每个字段的索引类型和参数。

# 设置索引参数index_params = client.prepare_index_params()# Index `varchar_field1` with AUTOINDEX
index_params.add_index(field_name="varchar_field1",index_type="AUTOINDEX",index_name="varchar_index"
)# 使用AUTOINDEX索引“嵌入”并指定metric_type
index_params.add_index(field_name="embedding",index_type="AUTOINDEX",  # 使用自动索引来简化复杂的索引设置metric_type="COSINE"  # 指定相似度量类型，选项包括L2、COSINE或IP
)

1.3 创建 Collections

        定义好 Schema 和索引后，创建一个包含字符串字段的 Collection。

client.create_collection(collection_name="my_collection",schema=schema,index_params=index_params
)

1.4 插入数据

        创建 Collections 后，插入与 Schema 匹配的实体。

# 样本数据
data = [{"varchar_field1": "Product A", "varchar_field2": "High quality product", "pk": 1, "embedding": [0.1, 0.2, 0.3]},{"varchar_field1": "Product B", "pk": 2, "embedding": [0.4, 0.5, 0.6]}, # 缺少varchar_field2字段，应该为NULL{"varchar_field1": None, "varchar_field2": None, "pk": 3, "embedding": [0.2, 0.3, 0.1]},  # ‘ varchar_field1 ’默认为‘ Unknown ’， ‘ varchar_field2 ’为NULL{"varchar_field1": "Product C", "varchar_field2": None, "pk": 4, "embedding": [0.5, 0.7, 0.2]},  # ‘ varchar_field2 ’为NULL{"varchar_field1": None, "varchar_field2": "Exclusive deal", "pk": 5, "embedding": [0.6, 0.4, 0.8]},  # varchar_field1 ‘应该默认为’ Unknown '{"varchar_field1": "Unknown", "varchar_field2": None, "pk": 6, "embedding": [0.8, 0.5, 0.3]},  # ‘ varchar_field2 ’为NULL{"varchar_field1": "", "varchar_field2": "Best seller", "pk": 7, "embedding": [0.8, 0.5, 0.3]}, # 空字符串不被视为NULL
]# Insert data
client.insert(collection_name="my_collection",data=data
)

1.5 使用过滤表达式查询

        插入实体后，使用query 方法检索与指定过滤表达式匹配的实体。要检索varchar_field1 与字符串"Product A" 匹配的实体：

# 过滤器varchar_field1的值为“Product A”
filter = 'varchar_field1 == "Product A"'res = client.query(collection_name="my_collection",filter=filter,output_fields=["varchar_field1", "varchar_field2"]
)print(res)# Example output:
# data: [
#     "{'varchar_field1': 'Product A', 'varchar_field2': 'High quality product', 'pk': 1}"
# ]

        检索varchar_field2 为空的实体：

# 过滤‘ varchar_field2 ’为空的实体
filter = 'varchar_field2 is null'res = client.query(collection_name="my_collection",filter=filter,output_fields=["varchar_field1", "varchar_field2"]
)print(res)# Example output:
# data: [
#     "{'varchar_field1': 'Product B', 'varchar_field2': None, 'pk': 2}",
#     "{'varchar_field1': 'Unknown', 'varchar_field2': None, 'pk': 3}",
#     "{'varchar_field1': 'Product C', 'varchar_field2': None, 'pk': 4}",
#     "{'varchar_field1': 'Unknown', 'varchar_field2': None, 'pk': 6}"
# ]

        要检索varchar_field1 的值为"Unknown" 的实体，请使用下面的表达式。由于varchar_field1 的默认值是"Unknown" ，因此预期结果应包括将varchar_field1 明确设置为"Unknown" 或将varchar_field1 设置为空的实体。

# 过滤值为“未知”的“varchar_field1”实体
filter = 'varchar_field1 == "Unknown"'res = client.query(collection_name="my_collection",filter=filter,output_fields=["varchar_field1", "varchar_field2"]
)print(res)# Example output:
# data: [
#     "{'varchar_field1': 'Unknown', 'varchar_field2': None, 'pk': 3}",
#     "{'varchar_field1': 'Unknown', 'varchar_field2': 'Exclusive deal', 'pk': 5}",
#     "{'varchar_field1': 'Unknown', 'varchar_field2': None, 'pk': 6}"
# ]

1.6 使用过滤表达式进行向量搜索

        除了基本的标量字段筛选外，您还可以将向量相似性搜索与标量字段筛选结合起来。例如，下面的代码展示了如何在向量搜索中添加标量字段过滤器：

# 使用字符串过滤进行搜索# 过滤器varchar_field2，值为“Best seller”
filter = 'varchar_field2 == "Best seller"'res = client.search(collection_name="my_collection",data=[[0.3, -0.6, 0.1]],limit=5,search_params={"params": {"nprobe": 10}},output_fields=["varchar_field1", "varchar_field2"],filter=filter
)print(res)# Example output:
# data: [
#     "[{'id': 7, 'distance': -0.04468163847923279, 'entity': {'varchar_field1': '', 'varchar_field2': 'Best seller'}}]"
# ]

2 数字字段

        数字字段是一种存储数值的标量字段。这些数值可以是整数（整数）或十进制数（浮点数）。它们通常用于表示数量、测量值或任何需要进行数学处理的数据。下表描述了 Milvus 中可用的数字字段数据类型。

字段类型

描述

BOOL

布尔类型，用于存储true 或false ，适合描述二进制状态。

INT8

8 位整数，适合存储小范围整数数据。

INT16

16 位整数，适用于中范围整数数据。

INT32

32 位整数，适合存储一般整数数据，如产品数量或用户 ID。

INT64

64 位整数，适合存储时间戳或标识符等大范围数据。

FLOAT

32 位浮点数，适用于需要一般精度的数据，如等级或温度。

DOUBLE

64 位双精度浮点数，用于高精度数据，如财务信息或科学计算。

        要声明数字字段，只需将datatype 设置为可用的数字数据类型之一。例如，DataType.INT64 表示整数字段，DataType.FLOAT 表示浮点字段。Milvus 支持数字字段的空值和默认值。要启用这些功能，请将nullable 设置为True ，将default_value 设置为数值。

2.1 添加数字字段

        要存储数值数据，请在 Collections Schema 中定义一个数字字段。下面是一个包含两个数字字段的 Collections 模式示例：

  • age：存储整数数据，允许空值，默认值为18 。
  • price：存储浮点数据，允许空值，但没有默认值。

        如果在定义 Schema 时设置enable_dynamic_fields=True ，Milvus 允许插入事先未定义的标量字段。不过，这可能会增加查询和管理的复杂性，并可能影响性能。

# 导入必要的库
from pymilvus import MilvusClient, DataType# 定义服务器地址
SERVER_ADDR = "http://localhost:19530"# 创建一个MilvusClient实例
client = MilvusClient(uri=SERVER_ADDR)# 定义集合模式
schema = client.create_schema(auto_id=False,enable_dynamic_fields=True,
)# 增加一个INT64字段‘ age ’，支持null值，默认值为18
schema.add_field(field_name="age", datatype=DataType.INT64, nullable=True, default_value=18)
# 添加一个FLOAT字段‘ price ’，它支持没有默认值的空值
schema.add_field(field_name="price", datatype=DataType.FLOAT, nullable=True)
schema.add_field(field_name="pk", datatype=DataType.INT64, is_primary=True)
schema.add_field(field_name="embedding", datatype=DataType.FLOAT_VECTOR, dim=3)

2.2 设置索引参数

        索引有助于提高搜索和查询性能。在 Milvus 中，对于向量字段必须建立索引，但对于标量字段可选。下面的示例使用AUTOINDEX 索引类型为向量字段embedding 和标量字段age 创建了索引。使用这种类型，Milvus 会根据数据类型自动选择最合适的索引。您还可以自定义每个字段的索引类型和参数。

# 设置索引参数index_params = client.prepare_index_params()# 使用AUTOINDEX索引“age”
index_params.add_index(field_name="age",index_type="AUTOINDEX",index_name="age_index"
)# 索引“嵌入”与AUTOINDEX并指定相似度度量类型
index_params.add_index(field_name="embedding",index_type="AUTOINDEX",  # 使用自动索引来简化复杂的索引设置metric_type="COSINE"  # 指定相似度量类型，选项包括L2、COSINE或IP
)

2.3 创建 Collections

        定义好 Schema 和索引后，创建一个包含数字字段的 Collection。

client.create_collection(collection_name="my_collection",schema=schema,index_params=index_params
)

2.4 插入数据

        创建 Collections 后，插入与 Schema 匹配的实体。

# 样本数据
data = [{"age": 25, "price": 99.99, "pk": 1, "embedding": [0.1, 0.2, 0.3]},{"age": 30, "pk": 2, "embedding": [0.4, 0.5, 0.6]}, # ‘ price ’字段缺失，应该为空{"age": None, "price": None, "pk": 3, "embedding": [0.2, 0.3, 0.1]},  # ‘ age ’默认为18，‘ price ’为空{"age": 45, "price": None, "pk": 4, "embedding": [0.9, 0.1, 0.4]},  # `price` is null{"age": None, "price": 59.99, "pk": 5, "embedding": [0.8, 0.5, 0.3]},  # “age”应该默认为18{"age": 60, "price": None, "pk": 6, "embedding": [0.1, 0.6, 0.9]}  # `price` is null
]client.insert(collection_name="my_collection",data=data
)

2.5 使用过滤表达式查询

        插入实体后，使用query 方法检索与指定过滤表达式匹配的实体。检索age 大于 30 的实体：

filter = 'age > 30'res = client.query(collection_name="my_collection",filter=filter,output_fields=["age", "price", "pk"]
)print(res)# Example output:
# data: [
#     "{'age': 45, 'price': None, 'pk': 4}",
#     "{'age': 60, 'price': None, 'pk': 6}"
# ]

        检索price 为空的实体：

filter = 'price is null'res = client.query(collection_name="my_collection",filter=filter,output_fields=["age", "price", "pk"]
)print(res)# Example output:
# data: [
#     "{'age': 30, 'price': None, 'pk': 2}",
#     "{'age': 18, 'price': None, 'pk': 3}",
#     "{'age': 45, 'price': None, 'pk': 4}",
#     "{'age': 60, 'price': None, 'pk': 6}"
# ]

        要检索age 的值为18 的实体，请使用下面的表达式。由于age 的默认值是18 ，因此预期结果应包括将age 明确设置为18 或将age 设置为空的实体。

filter = 'age == 18'res = client.query(collection_name="my_collection",filter=filter,output_fields=["age", "price", "pk"]
)print(res)# Example output:
# data: [
#     "{'age': 18, 'price': None, 'pk': 3}",
#     "{'age': 18, 'price': 59.99, 'pk': 5}"
# ]

2.6 使用过滤表达式进行向量搜索

        除了基本的数字字段过滤外，您还可以将向量相似性搜索与数字字段过滤器结合起来。例如，下面的代码展示了如何在向量搜索中添加数字字段过滤器：

filter = "25 <= age <= 35"res = client.search(collection_name="my_collection",data=[[0.3, -0.6, 0.1]],limit=5,search_params={"params": {"nprobe": 10}},output_fields=["age","price"],filter=filter
)print(res)# Example output:
# data: [
#     "[{'id': 2, 'distance': -0.2016308456659317, 'entity': {'age': 30, 'price': None}}, {'id': 1, 'distance': -0.23643313348293304, 'entity': {'age': 25, 'price': 99.98999786376953}}]"
# ]

        在这个示例中，我们首先定义了一个查询向量，并在搜索过程中添加了一个过滤条件25 <= age <= 35 。这样不仅能确保搜索结果与查询向量相似，还能满足指定的年龄范围。


文章转载自：

http://T90QvO9w.qnypp.cn
http://cseWlbOO.qnypp.cn
http://hed5cL6R.qnypp.cn
http://ElGKwWE1.qnypp.cn
http://8OtVkbvR.qnypp.cn
http://c1YYkHzK.qnypp.cn
http://JfUZc4tn.qnypp.cn
http://CtkLHXL0.qnypp.cn
http://7HgpkKrh.qnypp.cn
http://5UxhTEuw.qnypp.cn
http://zelP1AO1.qnypp.cn
http://w4D6Hcj3.qnypp.cn
http://Zp4OogJ4.qnypp.cn
http://W0HErZwX.qnypp.cn
http://ep6Ig2fP.qnypp.cn
http://vbuUpdp9.qnypp.cn
http://PPwVb0Xd.qnypp.cn
http://02XNXWkA.qnypp.cn
http://436shgi4.qnypp.cn
http://HsFwoBk3.qnypp.cn
http://SloporET.qnypp.cn
http://g610dyE2.qnypp.cn
http://VMehcvoa.qnypp.cn
http://3b7ohESd.qnypp.cn
http://IdvLTUbv.qnypp.cn
http://hN1tGpHQ.qnypp.cn
http://mLDZsThj.qnypp.cn
http://vhDabZJc.qnypp.cn
http://n2FKxlHN.qnypp.cn
http://3T419X3N.qnypp.cn
http://www.dtcms.com/wzjs/725953.html

相关文章：

  • 软件开发培训中心重庆谷歌seo关键词优化
  • 网站建设的最终目标网站推广效益怎么分析
  • 浙江省住建和城乡建设厅官方网站wordpress 2.0漏洞
  • 晋中市两学一做网站html5 音乐网站
  • 淘金企业网站建设服务商丘seo快速排名
  • 营销网站做推广公司关键词seo培训
  • 上海婚恋网站排名长春网站公司
  • 网站服务器租赁需要什么手续吉林省建设工程质量监督站网站
  • 网站交互性网站弹窗怎么做
  • 网站建设公司推广方案网站建设关键词
  • 购物网站html济阳做网站哪家好
  • ui做交互式网站吗免费网站风格
  • 小白怎样建设公司网站wordpress保护原创
  • 越秀网站建设哪家好为了 门户网站建设
  • 长春企业网站设计做网站项目所需资源
  • 网站建设插件快看点自媒体平台
  • 青岛做网络直播的网站安徽运营网络营销推荐咨询
  • 自己建网站多少钱帝国网站管理系统后台eclassconfig.php不存在
  • 深圳市住房建设与保障局官方网站c2c商业模式有哪些
  • 建立网站的第一步是建立什么企业彩铃制作网站
  • 武威市住房和建设局网站c 做的网站又哪些
  • 做聊天网站的视频教程做网站开发的是不是程序员
  • 濮阳建设企业网站公司网站后台如何管理
  • 国家企业信用公示系统官方网站wordpress防机器注册
  • 黄页88网站网站 建设后台
  • 网站建设与设计开题报告如何找回网站后台密码
  • 高端网站建设设计公司有哪些淘宝推广公司
  • 在360网站做公告怎么弄汽车网站哪个好
  • 怎么在阿里云建设网站做网站用c 还是php
  • 熊掌号做网站推广的注意事项wordpress新浪微博主题