Vector Databases: Pinecone, Weaviate & pgvector · บทเรียน

การกรองด้วยเมทาดาทา

ใช้เมทาดาทาเพื่อปรับการค้นหาความคล้ายคลึงให้ละเอียดขึ้น โดยเพิ่มเงื่อนไขด้านบริบทให้กับคำค้น

การกรองด้วยเมทาดาทา เป็นบทเรียน Vector Databases: Pinecone, Weaviate & pgvector ฟรีบน CoddyKit นี่คือบทเรียนที่ 1 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน Vector Databases: Pinecone, Weaviate & pgvector และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส Vector Databases: Pinecone, Weaviate & pgvector มีบทเรียนทั้งหมด 4 บทเรียน

บางส่วนของบทเรียนนี้ยังไม่ได้รับการแปล และแสดงเป็นภาษาอังกฤษ

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.

คำถามที่พบบ่อย

บทเรียน “การกรองด้วยเมทาดาทา” ฟรีหรือไม่

ใช่ — ข้อความเต็มของ “การกรองด้วยเมทาดาทา” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส Vector Databases: Pinecone, Weaviate & pgvector ให้อัปเกรดเป็น CoddyKit PRO คอร์ส Vector Databases: Pinecone, Weaviate & pgvector มีบทเรียนทั้งหมด 4 บทเรียน

คุณจะเรียนรู้อะไรในบทเรียน “การกรองด้วยเมทาดาทา”

ใช้เมทาดาทาเพื่อปรับการค้นหาความคล้ายคลึงให้ละเอียดขึ้น โดยเพิ่มเงื่อนไขด้านบริบทให้กับคำค้น คุณปฏิบัติ Vector Databases: Pinecone, Weaviate & pgvector ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน

คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน Vector Databases: Pinecone, Weaviate & pgvector หรือไม่

ไม่จำเป็นต้องมีประสบการณ์มาก่อน Vector Databases: Pinecone, Weaviate & pgvector บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 1 จากทั้งหมด 4 บทเรียน

บทเรียน “การกรองด้วยเมทาดาทา” ใช้เวลานานแค่ไหน

บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย

ฉันเขียนและรันโค้ดในบทเรียน Vector Databases: Pinecone, Weaviate & pgvector นี้ได้ไหม

ได้ บทเรียน Vector Databases: Pinecone, Weaviate & pgvector ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ

บทเรียนทั้งหมดในหลักสูตรนี้

การกรองด้วยเมทาดาทา
การจัดการเนมสเปซ
การอัปเดตและการลบแบบเรียลไทม์
การค้นหาแบบผสมด้วยเวกเตอร์เบาบางและหนาแน่น

← กลับไปที่ Vector Databases: Pinecone, Weaviate & pgvector