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10進数（floating-point numbers）です。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のあるデータを表現するために使用されます。

以下の表は、Zilliz Cloudクラスタで利用可能な数値フィールドのデータ型を説明しています。

フィールド型

説明

BOOL

trueまたはfalseを格納するブール型。バイナリ状態を記述するのに適しています。

INT8

8ビット整数。小範囲の整数データを格納するのに適しています。

INT16

16ビット整数。中範囲の整数データ用です。

INT32

32ビット整数。製品数量やユーザーIDなどの一般的な整数データ格納に理想的です。

INT64

64ビット整数。タイムスタンプや識別子など、大範囲のデータを格納するのに適しています。

FLOAT

32ビット浮動小数点数。評価や温度など、一般的な精度が必要なデータ用です。

DOUBLE

64ビット倍精度浮動小数点数。金融情報や科学計算など、高精度データ用です。

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DataType.INT64、浮動小数点フィールドの場合はDataType.FLOATです。

📘注

Zilliz Cloudは、ブール値および数値フィールドのnull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、Nullable & Defaultを参照してください。

ブール値および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型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値を許可し、デフォルト値が18です。

  • broken：ブールデータを格納し、null値を許可しますが、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値を許可しますが、デフォルト値はありません。

📘注

スキーマを定義する際に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加し、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、Dynamic Fieldを参照してください。

# 必要なライブラリをインポート
from pymilvus import MilvusClient, DataType

# サーバーアドレスを定義
SERVER_ADDR = "YOUR_CLUSTER_ENDPOINT"

# MilvusClientインスタンスを作成
client = MilvusClient(uri=SERVER_ADDR)

# コレクションスキーマを定義
schema = client.create_schema(
    auto_id=False,
    enable_dynamic_fields=True,
)

# null値をサポートしデフォルト値18を持つINT64フィールド`age`を追加
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)
# null値をサポートしデフォルト値なしのFLOATフィールド`price`を追加
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ます。Zilliz Cloudクラスタでは、インデックス作成はベクターフィールドでは必須ですが、スカラーフィールドではオプションです。

以下の例では、ベクターフィールド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。このタイプを使用すると、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 Explainedを参照してください。

# インデックスパラメータを設定

index_params = client.prepare_index_params()

# `age`をAUTOINDEXでインデックス化
index_params.add_index(
    field_name="age",
    index_type="AUTOINDEX",
    index_name="age_index"
)

# `embedding`をAUTOINDEXでインデックス化し、類似性メトリックタイプを指定
index_params.add_index(
    field_name="embedding",
    index_type="AUTOINDEX",  # 複雑なインデックス設定を簡素化するために自動インデックスを使用
    metric_type="COSINE"  # 類似性メトリックタイプを指定、オプションはL2、COSINE、または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。

# コレクションを作成
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後、スキーマに一致するエンティティを挿入します。

# サンプルデータ
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`フィールドが欠落しており、nullになるはず
    {"age": None, "price": None, "pk": 3, "embedding": [0.2, 0.3, 0.1]},  # `age`はデフォルト値18になり、`price`はnull
    {"age": 45, "price": None, "pk": 4, "embedding": [0.9, 0.1, 0.4]},  # `price`はnull
    {"age": None, "price": 59.99, "pk": 5, "embedding": [0.8, 0.5, 0.3]},  # `age`はデフォルト値18になる
    {"age": 60, "price": None, "pk": 6, "embedding": [0.1, 0.6, 0.9]}  # `price`はnull
]

client.insert(
    collection_name="my_collection",
    data=data
)

フィルタ式でのクエリ\​

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)

# 出力例：
# 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：

filter = 'price is null'

res = client.query(
    collection_name="my_collection",
    filter=filter,
    output_fields=["age", "price", "pk"]
)

print(res)

# 出力例：
# 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が値18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なので、期待される結果にはageが明示的に18に設定されているか、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)

# 出力例：
# data: [
#     "{'age': 18, 'price': None, 'pk': 3}",
#     "{'age': 18, 'price': 59.99, 'pk': 5}"
# ]

フィルタ式でのベクター検索\​

基本的な数値フィールドフィルタリングに加えて、ベクター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ター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)

# 出力例：
# 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、まずクエリベクターを定義し、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ターに類似しているだけでなく、指定された年齢範囲も満たすようになります。詳細については、Filteringを参照してください。