获取整个索引中的总词频（Elasticsearch）
我正在尝试计算特定术语在整个索引中出现的总次数（术语收集频率）。我试图通过使用术语向量来做到这一点，但是这仅限于单个文档。即使在指定文档中存在术语的情况下，响应似乎也达到了某个doc_count（在field_statistics之内）的最大值，这使我怀疑其准确性。
请求：
http://myip:9200/clinicaltrials/trial/AVmk-ky6XMskTDwIwpih/_termvectors?term_statistics=true
尽管术语统计不应该特定于文档，但此处使用的文档ID为“ AVmk-ky6XMskTDwIwpih”。
响应：
这是我对以下领域之一的术语“癌症”的理解：
"cancer" : {
"doc_freq" : 5297,
"ttf" : 10587,
"term_freq" : 1,
"tokens" : [
{
"position" : 15,
"start_offset" : 115,
"end_offset" : 121
}
]
},
如果将所有字段的ttf总计，则得到18915。但是，“ cancer”的实际总术语频率实际上是542829。这使我相信，它将term_vector
stats限制为索引中文档的子集。
这里的任何建议将不胜感激。
问题答案：
计数不同的原因是，除非所讨论的索引具有单个分片，否则术语向量是不准确的。对于具有多个分片的索引，文档分布在所有分片上，因此返回的频率不是总数，而是来自随机选择的分片的频率。
因此，返回的频率只是一个相对的度量，而不是您期望的绝对值。请参阅“行为”部分。为了测试这一点，您可以创建一个分片索引并请求频率（它应该给您实际的总数）。
-
谢谢你。
-
问题内容： 我有大量的实际文本，需要将单词拉出来以输入到拼写检查器中。我想尽可能多 地 提取 有意义的 单词，而不会产生太大干扰。我知道这附近有很多正则表达式忍者，所以希望有人可以帮助我。 目前，我正在使用提取所有字母序列。这是一个很好的近似值，但是它却拖走了很多垃圾。 理想情况下， 我想要一些正则表达式（不一定漂亮或高效），该正则表达式提取由自然词分隔符（例如，等等）定界的所有字母序列，并忽略任
-
问题内容： 考虑： 我该怎么做： 显然，这不起作用，因为第一个索引名为，而不是。 可以，但是我不知道它的名字叫foo。它可以命名为任何东西。我只想要第一个。 问题答案： 如果对象的顺序很重要，则应修改JSON模式以将对象存储在数组中： 或许： 正如Ben Alpert指出的那样，Javascript对象的属性是无序的，并且如果希望它们按与对象常量中指定的顺序相同的顺序枚举，则代码将被破坏-没有“f
-
我知道如何通过谓词查找列表的第一个元素:Java8通过谓词查找第一个元素 有没有一种简单的方法可以得到那个元素的索引？ 编辑：链接的问题确实提供了答案，但我在搜索时找不到它，因为它的措辞。因此，我宁愿保留这个问题。
-
问题内容： 例如，假设一个简单的数据框 给定条件，如何检索行的索引值？例如： return ，但是我想得到的只是just 。这在以后的代码中给我带来麻烦。 基于某些条件，我想记录满足该条件的索引，然后在它们之间选择行。 我试过了 获得所需的输出 但我明白了 问题答案： 添加起来更容易-使用一个元素选择list的第一个值： 但是，如果某些值不匹配，则会出现错误，因为第一个值不存在。 解决方案是使用与