Aggregation Framework en MongoDB

¿Qué es una pipeline de agregación?

El Aggregation Framework transforma datos en MongoDB. Funciona como una pipeline donde cada etapa recibe documentos, los procesa y los pasa a la siguiente.

db.coleccion.aggregate([  // siempre recibe array []
  { $etapa1 },
  { $etapa2 },
  { $etapa3 }
])

Regla importante: Los campos del documento dentro del aggregate siempre llevan $: "$price", "$address.country".

Ejercicio 22 — $group para Precio Promedio por País

Calcular el precio promedio de los listings por cada address.country.

use('sample_airbnb');

db.listingsAndReviews.aggregate([
  {
    $group: {
      _id: "$address.country",
      precio_promedio: { $avg: "$price" }
    }
  }
])

¿Qué aprendemos aquí?

• _id en $group es obligatorio — define por qué campo agrupar
• $avg calcula el promedio del campo indicado
• Los documentos sin el campo price retornan null en el promedio
• Los documentos insertados por nosotros sin address.country aparecen con _id: null

Acumuladores disponibles en $group

Ejercicio 24 — $group y $sort por property_type

Calcular la cantidad de listings por property_type y ordenar de mayor a menor.

use('sample_airbnb');

db.listingsAndReviews.aggregate([
  {
    $group: {
      _id: "$property_type",
      total: { $sum: 1 }
    }
  },
  {
    $sort: { total: -1 }
  }
])

¿Qué aprendemos aquí?

• $sum: 1 cuenta un documento por cada uno que pasa por el grupo
• No necesitas $match si quieres procesar todos los documentos
• $sort después del $group ordena los resultados calculados

Resultado esperado

{ _id: 'Apartment', total: 3626 }
{ _id: 'House', total: 606 }
{ _id: 'Condominium', total: 399 }
// ...

Ejercicio 26 — Pipeline Complejo con Review Scores

Filtrar listings con al menos 10 reviews y calcular el promedio de review_scores_rating.

use('sample_airbnb');

db.listingsAndReviews.aggregate([
  {
    $match: {
      number_of_reviews: { $gt: 10 }
    }
  },
  {
    $group: {
      _id: null,
      promedio: { $avg: "$review_scores.review_scores_rating" }
    }
  }
])

¿Qué aprendemos aquí?

• $match al inicio filtra antes de agrupar — más eficiente
• _id: null agrupa todos los documentos en un solo resultado
• Los campos anidados en aggregate también usan dot notation con $: "$review_scores.review_scores_rating"

Resultado esperado

{ _id: null, promedio: Double('93.78787878787878') }

Ejercicio 28 — $lookup Simulación de JOIN

Describir un pipeline que usaría $lookup si existiera una colección hosts para unir listings con la información del anfitrión por host.host_id.

use('sample_airbnb');

// Ejercicio teórico — la colección hosts no existe en sample_airbnb
db.listingsAndReviews.aggregate([
  {
    $lookup: {
      from: "hosts",
      localField: "host.host_id",
      foreignField: "host_id",
      as: "informacion_host"
    }
  },
  {
    $project: {
      name: 1,
      "host.host_name": 1,
      informacion_host: 1,
      _id: 0
    }
  }
])

¿Qué aprendemos aquí?

• $lookup es el equivalente al JOIN en SQL
• Realiza un left outer join entre dos colecciones
• El resultado se guarda como un array en el campo as

Estructura de $lookup

Restricción: $lookup sobre colecciones sin índice en foreignField genera consultas muy lentas en producción.

Ejercicio 30 — Análisis por Fecha con $year

Filtrar listings con last_review registrada y contar cuántos tuvieron su última revisión en cada año.

use('sample_airbnb');

db.listingsAndReviews.aggregate([
  {
    $match: {
      last_review: { $exists: true }
    }
  },
  {
    $group: {
      _id: { $year: "$last_review" },
      total: { $sum: 1 }
    }
  },
  {
    $sort: { _id: 1 }
  }
])

¿Qué aprendemos aquí?

• $exists: true filtra documentos que tienen el campo — necesario porque $year falla sobre campos nulos
• $year extrae el año de un campo de tipo fecha
• $year va dentro del _id del $group para agrupar por año
• $sort: { _id: 1 } ordena los años de menor a mayor

Resultado esperado

{ _id: 2012, total: 5 }
{ _id: 2013, total: 2 }
{ _id: 2014, total: 14 }
{ _id: 2015, total: 97 }
{ _id: 2016, total: 212 }
{ _id: 2017, total: 318 }
{ _id: 2018, total: 1264 }

Operadores de fecha disponibles