メインコンテンツまでスキップ
バージョン: User Guides (Cloud)

Boolean & Number

ブール値または数値フィールドは、ブール値または数値を格納するスカラーフィールドです。これらの値は、2つの可能な値のいずれか、または整数（integers）と小数（浮動小数点数）のいずれかになります。これらは通常、数量、測定値、または論理的または数学的に処理する必要があるデータを表すために使用されます。

以下の表は、Zilliz Cloudクラスターで利用可能な数値フィールドのデータ型について説明しています。

フィールドタイプ

説明

BOOL

trueまたはfalseを格納するためのブール型で、バイナリ状態の記述に適しています。

INT8

8ビット整数で、小範囲の整数データの格納に適しています。

INT16

16ビット整数で、中範囲の整数データに適しています。

INT32

32ビット整数で、製品数量やユーザーIDなどの一般的な整数データストレージに最適です。

INT64

64ビット整数で、タイムスタンプや識別子などの大範囲のデータの格納に適しています。

FLOAT

32ビット浮動小数点数で、評価や温度など、一般的な精度を必要とするデータに適しています。

DOUBLE

64ビット倍精度浮動小数点数で、財務情報や科学計算などの高精度データに適しています。

ブールフィールドを宣言するには、datatypeをBOOLに設定します。数値フィールドを宣言するには、利用可能な数値データ型のいずれかに設定します。例えば、整数フィールドの場合はデータType.INT64、浮動小数点フィールドの場合はデータType.FLOATです。

📘Notes

Zilliz Cloudは、ブール値および数値フィールドのNULL許容値とデフォルト値をサポートしています。これらの機能を有効にするには、nullableをTrueに設定し、default_valueを数値に設定します。詳細については、NULL許容とデフォルトを参照してください。

ブール値と数値フィールドの追加​

ブール値または数値データを格納するには、コレクションスキーマで対応するタイプのフィールドを定義します。以下は、2つの数値フィールドを持つコレクションスキーマの例です。

  • age: 整数データを格納し、NULL許容で、デフォルト値は18です。

  • broken: ブールデータを格納し、NULL許容ですが、デフォルト値はありません。

  • price: 浮動小数点データを格納し、NULL許容ですが、デフォルト値はありません。

📘Notes

スキーマ定義時にenable_dynamic_fields=Trueを設定すると、Zilliz Cloudは事前に定義されていないスカラーフィールドの挿入を許可します。ただし、これによりクエリと管理の複雑さが増し、パフォーマンスに影響を与える可能性があります。詳細については、動的フィールドを参照してください。

# Import necessary libraries
from pymilvus import MilvusClient, DataType

# Define server address
SERVER_ADDR = "YOUR_CLUSTER_ENDPOINT"

# Create a MilvusClient instance
client = MilvusClient(uri=SERVER_ADDR)

# Define the collection schema
schema = client.create_schema(
    auto_id=False,
    enable_dynamic_fields=True,
)

# Add an INT64 field `age` that supports null values with default value 18
schema.add_field(field_name="age", datatype=DataType.INT64, nullable=True, default_value=18)
schema.add_field(field_name="broken", datatype=DataType.BOOL, nullable=True)
# Add a FLOAT field `price` that supports null values without default value
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)

インデックスパラメータの設定​

インデックス作成は、検索とクエリのパフォーマンスを向上させるのに役立ちます。Zilliz Cloud クラスターでは、ベクトルフィールドにはインデックス作成が必須ですが、スカラーフィールドにはオプションです。

以下の例では、ベクトルフィールドembeddingとスカラーフィールドageの両方にAUTOINDEXインデックスタイプを使用してインデックスを作成します。このタイプでは、Milvus はデータ型に基づいて最適なインデックスを自動的に選択します。詳細については、AUTOINDEX の説明を参照してください。

# Set index params

index_params = client.prepare_index_params()

# Index `age` with AUTOINDEX
index_params.add_index(
    field_name="age",
    index_type="AUTOINDEX",
    index_name="age_index"
)

# Index `embedding` with AUTOINDEX and specify similarity metric type
index_params.add_index(
    field_name="embedding",
    index_type="AUTOINDEX",  # Use automatic indexing to simplify complex index settings
    metric_type="COSINE"  # Specify similarity metric type, options include L2, COSINE, or IP
)

コレクションの作成​

スキーマとインデックスが定義されたら、数値フィールドを含むコレクションを作成します。

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

データの挿入​

コレクションを作成したら、スキーマに一致するエンティティを挿入します。

# Sample data
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` field is missing, which should be null
    {"age": None, "price": None, "pk": 3, "embedding": [0.2, 0.3, 0.1]},  # `age` should default to 18, `price` is null
    {"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` should default to 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
)

フィルター式を使用したクエリ​

エンティティを挿入した後、query メソッドを使用して、指定されたフィルター式に一致するエンティティを取得します。

age が 30 より大きいエンティティを取得するには：

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}"
# ]

price が null のエンティティを取得するには、次のようにします。

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}"
# ]

age が 18 の値を持つエンティティを取得するには、以下の式を使用します。age のデフォルト値は 18 であるため、期待される結果には、age が明示的に 18 に設定されているエンティティ、または age が null に設定されているエンティティが含まれるはずです。

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}"
# ]

フィルター式を使用したベクトル検索​

基本的な数値フィールドフィルタリングに加えて、ベクトル類似性検索と数値フィールドフィルタを組み合わせることができます。例えば、以下のコードは、ベクトル検索に数値フィールドフィルタを追加する方法を示しています。

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}}]"
# ]

この例では、まずクエリベクトルを定義し、検索中にフィルタ条件 25 <= age <= 35 を追加します。これにより、検索結果がクエリベクトルに類似しているだけでなく、指定された年齢範囲も満たしていることが保証されます。詳細については、フィルタリングを参照してください。