如何使用MongoDB进行数据分析

使用MongoDB进行数据分析可通过以下核心功能实现：

一、聚合框架（核心工具）

通过聚合管道（Pipeline）实现多阶段数据处理，常用操作符包括：

• $match：过滤数据，如db.orders.aggregate([{$match: {amount: {$gt: 100}}}]，筛选金额>100的订单）。
• $group：分组聚合，如{$group: {_id: "$userId", total: {$sum: "$amount"}}}，按用户ID分组计算总金额。
• $sort：排序，如{$sort: {total: -1}}，按总金额降序排列。
• $project：调整输出字段，如{$project: {_id: 0, userId: 1, total: 1}}，只返回用户ID和总金额。
• $lookup：跨集合关联（类似SQL的JOIN），如关联用户信息到订单数据。

二、查询优化

• 索引：为常用查询字段创建索引（如db.collection.createIndex({字段: 1})），加速数据检索。
• 覆盖索引：确保查询字段全部包含在索引中，避免回表查询。
• explain()：分析查询执行计划，如db.orders.find({amount: {$gt: 100}}).explain()，查看是否命中索引。

三、实时分析场景

• 时间序列分析：使用$dateToString转换日期格式，结合$group按时间段聚合，如统计每日订单量。
• 地理空间分析：通过2dsphere索引和$geoWithin等操作符，分析地理位置相关数据，如查询某区域内的门店。

四、性能调优

• 合理设计数据模型：根据查询需求选择嵌入式文档或引用式文档。
• 定期维护索引：删除冗余索引，使用db.collection.reIndex()重建索引。
• 硬件优化：增加内存、使用SSD存储，提升读写性能。

五、实战示例

1. 统计各部门平均工资：

   db.employees.aggregate([
     {$group: {_id: "$department", avgSalary: {$avg: "$salary"}}}
   ])
   

2. 获取用户最近3笔订单：

   db.orders.aggregate([
     {$sort: {orderDate: -1}},
     {$match: {_id: userId}},
     {$limit: 3}
   ])
   

通过以上方法，可高效完成数据过滤、分组、统计等分析任务，满足业务需求。