Vector Databases: Pinecone, Weaviate & pgvector · Lekcja

Filtrowanie za pomocą metadanych

Wykorzysta Pan/Pani metadane do doprecyzowania wyszukiwania podobieństwa, dodając ograniczenia kontekstowe do zapytań.

Filtrowanie za pomocą metadanych to bezpłatna lekcja Vector Databases: Pinecone, Weaviate & pgvector na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Vector Databases: Pinecone, Weaviate & pgvector, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Vector Databases: Pinecone, Weaviate & pgvector zawiera 4 lekcji w sumie.

Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.

Filter Your Vector Searches

Imagine searching for products, but only wanting "electronics" that are "under $50". This is where metadata filtering comes in handy!

Vector databases let you store extra information, called metadata, alongside your vectors. This lesson teaches you how to use this metadata to refine your similarity searches in Pinecone.

Understanding Metadata

Metadata is simply "data about data." In Pinecone, it's a set of key-value pairs attached to each vector.

Key: A string representing a property (e.g., "category", "price", "author").
Value: Can be a string, number, boolean, or even a list of strings/numbers.

It helps describe the item your vector represents.

Why Filter Searches?

Filtering is crucial for getting more precise and relevant search results.

Precision: Narrow down results to only what's relevant (e.g., "red shoes").
Context: Add specific conditions beyond just vector similarity (e.g., "articles published last year").
Efficiency: Reduce the number of vectors considered, potentially speeding up searches for large datasets.

Adding Metadata to Vectors

When you add (or "upsert") vectors into Pinecone, you can include a metadata dictionary. This makes the extra data searchable later.

You learned about upserting in a previous lesson. Here's a quick reminder of how metadata is attached:

from pinecone import Pinecone, Index
import os

# Assume Pinecone is initialized (replace with your actual setup)
# pc = Pinecone(api_key=os.environ.get("PINECONE_API_KEY"))
# index = pc.Index("my-index")

# Example vector with metadata
vectors_to_upsert = [
    {
        "id": "item1",
        "values": [0.1, 0.2, 0.3], # Placeholder vector
        "metadata": {"genre": "fiction", "year": 2023, "price": 19.99}
    },
    {
        "id": "item2",
        "values": [0.4, 0.5, 0.6],
        "metadata": {"genre": "non-fiction", "year": 2022, "price": 25.50}
    }
]

# index.upsert(vectors=vectors_to_upsert) # Uncomment to actually upsert
print("Metadata structure for upserting shown.")

Filtering with Exact Matches

The simplest way to filter is to look for exact matches on a metadata field. You specify the field name and its desired value.

For example, to find all items with "genre": "fiction", you'd use {"genre": "fiction"} in your query's filter parameter.

from pinecone import Pinecone, Index
import os

# Assume index is already set up and has data
# pc = Pinecone(api_key=os.environ.get("PINECONE_API_KEY"))
# index = pc.Index("my-index")

# Query for items where genre is exactly 'fiction'
query_vector = [0.1, 0.2, 0.3] # Your query embedding

# results = index.query(
#     vector=query_vector,
#     top_k=3,
#     filter={"genre": "fiction"}
# )

print("Querying with filter: {'genre': 'fiction'}")
# print(results) # Uncomment to see results

Filtering by Ranges

You can also filter by numerical ranges using special Pinecone operators. These are useful for values like prices, dates, or ratings.

$gt: greater than
$gte: greater than or equal to
$lt: less than
$lte: less than or equal to

For example, {"price": {"$lt": 20.0}} finds items cheaper than $20.

from pinecone import Pinecone, Index
import os

# Assume index with 'price' metadata
# pc = Pinecone(api_key=os.environ.get("PINECONE_API_KEY"))
# index = pc.Index("my-index")

query_vector = [0.1, 0.2, 0.3]

# Find items published after 2022
# results = index.query(
#     vector=query_vector,
#     top_k=5,
#     filter={"year": {"$gt": 2022}}
# )

print("Querying with filter: {'year': {'$gt': 2022}}")
# print(results) # Uncomment to see results

Filtering with Lists

Sometimes you need to filter based on whether a value is present (or not present) in a list of options. Pinecone provides $in and $nin operators for this.

$in: value is one of the specified options.
$nin: value is NOT one of the specified options.

Example: {"category": {"$in": ["electronics", "clothing"]}}

from pinecone import Pinecone, Index
import os

# Assume index with 'tag' metadata
# pc = Pinecone(api_key=os.environ.get("PINECONE_API_KEY"))
# index = pc.Index("my-index")

query_vector = [0.1, 0.2, 0.3]

# Find items belonging to 'fiction' OR 'poetry'
# results = index.query(
#     vector=query_vector,
#     top_k=5,
#     filter={"genre": {"$in": ["fiction", "poetry"]}}
# )

print("Querying with filter: {'genre': {'$in': ['fiction', 'poetry']}}")
# print(results) # Uncomment to see results

Combining Filter Conditions

You can combine multiple filter conditions to create complex queries. By default, multiple conditions at the same level are treated as an AND operation.

For explicit OR operations, you use the $or operator. For example, to find items with category="books" AND price < 20:

from pinecone import Pinecone, Index
import os

# Assume index with 'category' and 'price' metadata
# pc = Pinecone(api_key=os.environ.get("PINECONE_API_KEY"))
# index = pc.Index("my-index")

query_vector = [0.1, 0.2, 0.3]

# Find books cheaper than $20 (AND operation)
# results = index.query(
#     vector=query_vector,
#     top_k=5,
#     filter={"category": "books", "price": {"$lt": 20.0}}
# )

print("Querying with filter: {'category': 'books', 'price': {'$lt': 20.0}}")
# print(results) # Uncomment to see results

Using $or for Flexible Filters

To perform an OR search, you use the $or operator. This operator takes a list of filter conditions, and if any of them are true, the item is included.

Example: Find items where category="electronics" OR category="home goods":

from pinecone import Pinecone, Index
import os

# Assume index with 'category' metadata
# pc = Pinecone(api_key=os.environ.get("PINECONE_API_KEY"))
# index = pc.Index("my-index")

query_vector = [0.1, 0.2, 0.3]

# Find items where category is 'electronics' OR 'home goods'
# results = index.query(
#     vector=query_vector,
#     top_k=5,
#     filter={
#         "$or": [
#             {"category": "electronics"},
#             {"category": "home goods"}
#         ]
#     }
# )

print("Querying with $or filter...")
# print(results) # Uncomment to see results

Advanced Combined Filters

You can combine $and (implicit or explicit) and $or operators for very powerful and specific filtering. This allows you to build complex search logic.

For example, to find items that are "fiction" AND ("published after 2020" OR "price under $15"):

from pinecone import Pinecone, Index
import os

# Assume index with 'genre', 'year', 'price' metadata
# pc = Pinecone(api_key=os.environ.get("PINECONE_API_KEY"))
# index = pc.Index("my-index")

query_vector = [0.1, 0.2, 0.3]

# Complex filter: fiction AND (year > 2020 OR price < 15)
# results = index.query(
#     vector=query_vector,
#     top_k=5,
#     filter={
#         "genre": "fiction",
#         "$or": [
#             {"year": {"$gt": 2020}},
#             {"price": {"$lt": 15.0}}
#         ]
#     }
# )

print("Querying with complex AND/OR filter...")
# print(results) # Uncomment to see results

Test Your Filtering Knowledge

Which Pinecone filter would you use to find items that are either in the "books" category or have a "rating" of at least 4.5?

Recap: Mastering Metadata Filters

Great job! You've learned how to use metadata to significantly enhance your similarity searches in Pinecone.

Metadata: Key-value pairs stored with your vectors.
Filter Types: Equality, range ($gt, $lt, etc.), and list ($in, $nin).
Combining Filters: Use implicit AND or explicit $or for complex logic.

Next, we'll explore how to organize your data even further using Pinecone's namespaces.

Często zadawane pytania

Czy lekcja „Filtrowanie za pomocą metadanych” jest bezpłatna?

Tak — pełny tekst „Filtrowanie za pomocą metadanych” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Vector Databases: Pinecone, Weaviate & pgvector, przejdź na CoddyKit PRO. Kurs Vector Databases: Pinecone, Weaviate & pgvector zawiera 4 lekcji w sumie.

Co nauczysz się w „Filtrowanie za pomocą metadanych”?

Wykorzysta Pan/Pani metadane do doprecyzowania wyszukiwania podobieństwa, dodając ograniczenia kontekstowe do zapytań. Ćwiczysz Vector Databases: Pinecone, Weaviate & pgvector z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć Vector Databases: Pinecone, Weaviate & pgvector?

Nie wymagamy żadnego doświadczenia. Vector Databases: Pinecone, Weaviate & pgvector w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.

Ile czasu zajmuje lekcja „Filtrowanie za pomocą metadanych”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji Vector Databases: Pinecone, Weaviate & pgvector?

Tak. Każda lekcja Vector Databases: Pinecone, Weaviate & pgvector zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

Filtrowanie za pomocą metadanych
Zarządzanie przestrzeniami nazw
Aktualizacje i usuwanie w czasie rzeczywistym
Wyszukiwanie hybrydowe z wektorami sparse-dense

← Powrót do Vector Databases: Pinecone, Weaviate & pgvector