Нулевые поля

Milvus поддерживает поля с нулевым значением, которые позволяют значению поля отсутствовать или явно задавать значение NULL. Нулевые поля определяются на уровне схемы и последовательно применяются при вводе данных, индексировании, поиске и запросах.

Используйте поля с нулевым значением, когда:

• Данные поступают из внешних систем, допускающих пропущенные значения.
• Некоторые метаданные являются необязательными или доступны только для части набора данных.
• Векторные вложения генерируются асинхронно и вставляются позже.

Ограничения

• Векторные поля, допускающие значения NULL, не поддерживают выражения фильтрации IS NULL или IS NOT NULL. Вы не можете явно фильтровать сущности на основе того, является ли значение векторного поля NULL.

• ПоляArray of Structs не поддерживают значения NULL. Вы не можете пометить поле Array of Structs или любое поле, вложенное в него, как nullable.

• Атрибут nullable определяется при создании поля и не может быть изменен впоследствии. Вы не можете включить или отключить возможность использования нуля для существующего поля.

• Поля, помеченные как nullable, нельзя использовать в качестве ключей разделов. Поля ключей разделов всегда должны содержать правильные, не нулевые значения. Дополнительные сведения см. в разделе Использование ключа раздела.

Что такое поле с нулевым значением?

В Milvus разрешено ли полю хранить NULL-значение, контролируется атрибутом поля на уровне схемы под названием nullable.

Если поле определено с помощью nullable=True, Milvus позволяет значению поля отсутствовать при вводе данных. На практике Milvus рассматривает следующие два входа как эквивалентные и сохраняет значение поля как NULL:

• Поле опущено во входной сущности.
• Поле явно установлено в NULL (например, None в Python).

Если поле не определено как nullable (поведение по умолчанию), каждая сущность должна предоставить корректное значение для этого поля. Пропуск поля или явное присвоение ему значения NULL приведет к неудаче операции вставки или импорта.

Атрибут nullable поддерживается как для скалярных, так и для векторных полей в схеме коллекции. Однако поля Array of Structs не поддерживают атрибут nullable.

Определение поля с нулевым значением в схеме коллекции

Чтобы использовать поля с нулевым значением, необходимо включить атрибут nullable при определении схемы коллекции.

В этом примере в схеме коллекции определено векторное поле с именем embedding и атрибутом nullable=True. Это позволяет сущностям в коллекции опускать значение вектора или явно устанавливать его в NULL при вводе данных.

from pymilvus import MilvusClient, DataType

client = MilvusClient(
    uri="http://localhost:19530",
    token="root:Milvus"
)

# Define schema fields
schema = client.create_schema()
schema.add_field("id", DataType.INT64, is_primary=True)  # Primary field
schema.add_field(
    field_name="embedding",
    datatype=DataType.FLOAT_VECTOR,
    dim=4,
    nullable=True,  # Enable the nullable attribute; defaults to False
)

client.create_collection(
    collection_name="my_collection",
    schema=schema,
)

import io.milvus.v2.client.ConnectConfig;
import io.milvus.v2.client.MilvusClientV2;
import io.milvus.v2.common.DataType;
import io.milvus.v2.service.collection.request.AddFieldReq;
import io.milvus.v2.service.collection.request.CreateCollectionReq;

MilvusClientV2 client = new MilvusClientV2(ConnectConfig.builder()
        .uri("http://localhost:19530")
        .token("root:Milvus")
        .build());

CreateCollectionReq.CollectionSchema schema = CreateCollectionReq.CollectionSchema.builder()
        .build();

schema.addField(AddFieldReq.builder()
        .fieldName("id")
        .dataType(DataType.Int64)
        .isPrimaryKey(true)
        .build());
schema.addField(AddFieldReq.builder()
        .fieldName("embedding")
        .dataType(DataType.FloatVector)
        .dimension(4)
        .isNullable(true)
        .build());

client.createCollection(CreateCollectionReq.builder()
        .collectionName("my_collection")
        .collectionSchema(schema)
        .build());

import { MilvusClient, DataType } from "@zilliz/milvus2-sdk-node";

const client = new MilvusClient({
  address: "http://localhost:19530",
  token: "root:Milvus",
});

await client.createCollection({
  collection_name: "my_collection",
  fields: [
    {
      name: "id",
      data_type: DataType.Int64,
      is_primary_key: true,
      autoID: false,
    },
    {
      name: "embedding",
      data_type: DataType.FloatVector,
      dim: 4,
      nullable: true,
    },
  ],
});

import (
    "context"
    "fmt"

    "github.com/milvus-io/milvus/client/v2/entity"
    "github.com/milvus-io/milvus/client/v2/milvusclient"
)

ctx, cancel := context.WithCancel(context.Background())
defer cancel()

client, err := milvusclient.New(ctx, &milvusclient.ClientConfig{
    Address: "localhost:19530",
})
if err != nil {
    fmt.Println(err.Error())
    // handle error
}
defer client.Close(ctx)

schema := entity.NewSchema()
schema.WithField(entity.NewField().
    WithName("id").
    WithDataType(entity.FieldTypeInt64).
    WithIsPrimaryKey(true),
).WithField(entity.NewField().
    WithName("embedding").
    WithDataType(entity.FieldTypeFloatVector).
    WithDim(4).
    WithNullable(true),
)

err = client.CreateCollection(ctx,
    milvusclient.NewCreateCollectionOption("my_collection", schema))
if err != nil {
    fmt.Println(err.Error())
    // handle error
}

export TOKEN="root:Milvus"
export CLUSTER_ENDPOINT="http://localhost:19530"

export pkField='{
  "fieldName": "id",
  "dataType": "Int64",
  "isPrimary": true
}'

export embeddingField='{
  "fieldName": "embedding",
  "dataType": "FloatVector",
  "typeParams": {"dim": "4"},
  "nullable": true
}'

curl --request POST \
  --url "${CLUSTER_ENDPOINT}/v2/vectordb/collections/create" \
  --header "Authorization: Bearer ${TOKEN}" \
  --header "Content-Type: application/json" \
  --header "Request-Timeout: 10" \
  -d "{
    \"collectionName\": \"my_collection\",
    \"schema\": {
      \"fields\": [
        $pkField,
        $embeddingField
      ]
    }
  }"

В этой схеме:

• Поле embedding явно помечено как nullable.
• Сущности могут опускать поле embedding или присваивать ему значение NULL при вставке.
• Решение о разрешении NULL-значений принимается при создании коллекции.

Для наглядности в следующих примерах рассматривается векторное поле с нулевым значением (embedding). Определение нулевых скалярных полей является необязательным и не требуется для выполнения остальной части этого руководства.

schema.add_field(
    field_name="age",
    datatype=DataType.INT64,
    nullable=True,
)

schema.addField(AddFieldReq.builder()
        .fieldName("age")
        .dataType(DataType.Int64)
        .isNullable(true)
        .build());

// Add to the fields array when calling createCollection:
// { name: "age", data_type: DataType.Int64, nullable: true },

schema.WithField(entity.NewField().
    WithName("age").
    WithDataType(entity.FieldTypeInt64).
    WithNullable(true),
)

# Add another field object to the schema "fields" array, for example:
# { "fieldName": "age", "dataType": "Int64", "nullable": true }

Поведение при вставке с отсутствующими или NULL-значениями

После того как поле определено как nullable в схеме коллекции, Milvus позволяет значению поля отсутствовать или явно устанавливать значение NULL во время вставки данных.

Приведенный ниже пример вставляет три сущности в коллекцию, созданную в разделе "Определение поля с нулевым значением в схеме коллекции", демонстрируя эти различные случаи.

data = [
    {
        "id": 1,
        "embedding": [0.1, 0.2, 0.3, 0.4],
    },
    {
        "id": 2,
        "embedding": None,  # Explicitly set to NULL
    },
    {
        "id": 3,  # Field omitted → stored as NULL
    },
]

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

import com.google.gson.Gson;
import com.google.gson.JsonNull;
import com.google.gson.JsonObject;
import io.milvus.v2.service.vector.request.InsertReq;

import java.util.Arrays;
import java.util.List;

Gson gson = new Gson();

JsonObject row1 = new JsonObject();
row1.addProperty("id", 1);
row1.add("embedding", gson.toJsonTree(Arrays.asList(0.1f, 0.2f, 0.3f, 0.4f)));

JsonObject row2 = new JsonObject();
row2.addProperty("id", 2);
row2.add("embedding", JsonNull.INSTANCE); // Explicitly set to NULL

JsonObject row3 = new JsonObject();
row3.addProperty("id", 3); // Field omitted; stored as NULL

List<JsonObject> data = Arrays.asList(row1, row2, row3);

client.insert(InsertReq.builder()
        .collectionName("my_collection")
        .data(data)
        .build());

const data = [
  { id: 1, embedding: [0.1, 0.2, 0.3, 0.4] },
  { id: 2, embedding: null },
  { id: 3 },
];

await client.insert({
  collection_name: "my_collection",
  data: data,
});

import (
    "context"
    "fmt"

    "github.com/milvus-io/milvus/client/v2/milvusclient"
)

// Assumes `client` is the Milvus client from the Go schema example above.
ctx := context.Background()

rows := []any{
    map[string]any{"id": int64(1), "embedding": []float32{0.1, 0.2, 0.3, 0.4}},
    map[string]any{"id": int64(2), "embedding": nil},
    map[string]any{"id": int64(3)},
}

_, err := client.Insert(ctx, milvusclient.NewRowBasedInsertOption("my_collection", rows...))
if err != nil {
    fmt.Println(err.Error())
}

curl --request POST \
  --url "${CLUSTER_ENDPOINT}/v2/vectordb/entities/insert" \
  --header "Authorization: Bearer ${TOKEN}" \
  --header "Content-Type: application/json" \
  --header "Request-Timeout: 10" \
  -d '{
    "collectionName": "my_collection",
    "data": [
      {"id": 1, "embedding": [0.1, 0.2, 0.3, 0.4]},
      {"id": 2, "embedding": null},
      {"id": 3}
    ]
  }'

В этом примере:

• Сущность id = 1 предоставляет действительное векторное значение.
• Сущность id = 2 явно присваивает полю embedding значение NULL.
• Сущность id = 3 полностью опускает поле embedding; Milvus сохраняет его как NULL.

Поведение индексов для полей с нулевым значением

После вставки данных вы можете построить индекс для нулевого поля, как обычно. Ключевое различие заключается в том, как Milvus обрабатывает значения NULL при построении индекса:

• В индекс добавляются только сущности с ненулевыми значениями.
• Сущности с NULL-значениями пропускаются и не участвуют в построении индекса.

Для нулевого векторного поля это означает, что только сущности с действительными векторами становятся доступными для поиска по векторному сходству.

# Set index parameters
index_params = client.prepare_index_params()
index_params.add_index(
    field_name="embedding",
    index_type="AUTOINDEX",
    metric_type="COSINE",
)

# Create index
client.create_index(
    collection_name="my_collection",
    index_params=index_params,
)

# Load collection for future search operations
client.load_collection(collection_name="my_collection")

import io.milvus.v2.common.IndexParam;
import io.milvus.v2.service.collection.request.LoadCollectionReq;
import io.milvus.v2.service.index.request.CreateIndexReq;

import java.util.Collections;

IndexParam indexParam = IndexParam.builder()
        .fieldName("embedding")
        .indexName("embedding_index")
        .indexType(IndexParam.IndexType.AUTOINDEX)
        .metricType(IndexParam.MetricType.COSINE)
        .build();

client.createIndex(CreateIndexReq.builder()
        .collectionName("my_collection")
        .indexParams(Collections.singletonList(indexParam))
        .build());

client.loadCollection(LoadCollectionReq.builder()
        .collectionName("my_collection")
        .build());

await client.createIndex({
  collection_name: "my_collection",
  field_name: "embedding",
  index_name: "embedding_idx",
  index_type: "AUTOINDEX",
  metric_type: "COSINE",
});

await client.loadCollection({
  collection_name: "my_collection",
});

import (
    "context"
    "fmt"

    "github.com/milvus-io/milvus/client/v2/entity"
    "github.com/milvus-io/milvus/client/v2/index"
    "github.com/milvus-io/milvus/client/v2/milvusclient"
)

// Assumes `client` is the Milvus client from the Go schema example above.
ctx := context.Background()

indexOption := milvusclient.NewCreateIndexOption("my_collection", "embedding",
    index.NewAutoIndex(entity.COSINE))

_, err := client.CreateIndex(ctx, indexOption)
if err != nil {
    fmt.Println(err.Error())
}

_, err = client.LoadCollection(ctx, milvusclient.NewLoadCollectionOption("my_collection"))
if err != nil {
    fmt.Println(err.Error())
}

curl --request POST \
  --url "${CLUSTER_ENDPOINT}/v2/vectordb/indexes/create" \
  --header "Authorization: Bearer ${TOKEN}" \
  --header "Content-Type: application/json" \
  --header "Request-Timeout: 10" \
  -d '{
    "collectionName": "my_collection",
    "indexParams": [
      {
        "fieldName": "embedding",
        "metricType": "COSINE",
        "indexType": "AUTOINDEX"
      }
    ]
  }'

curl --request POST \
  --url "${CLUSTER_ENDPOINT}/v2/vectordb/collections/load" \
  --header "Authorization: Bearer ${TOKEN}" \
  --header "Content-Type: application/json" \
  --header "Request-Timeout: 10" \
  -d '{"collectionName": "my_collection"}'

На этом этапе:

• Сущности с действительными значениями вложений индексируются и готовы к поиску.
• Сущности, чьи вложения имеют значение NULL, остаются в коллекции, но не включаются в векторный индекс.

Поведение при поиске по нулевым полям

Когда вы выполняете операции поиска по нулевому полю, Milvus оценивает только сущности с ненулевыми значениями для поля, используемого в поиске. Сущности, векторное поле которых имеет значение NULL, автоматически пропускаются.

Для нулевого векторного поля, такого как embedding в данном примере:

• Оцениваются и ранжируются только сущности с действительными значениями вектора.
• Сущности с NULL-векторами не вызывают ошибок.
• Если количество допустимых векторов меньше запрашиваемого topK (limit), Milvus может вернуть меньше результатов, чем limit.

В следующем примере выполняется векторный поиск по нулевому векторному полю embedding:

res = client.search(
    collection_name="my_collection",
    data=[[0.1, 0.2, 0.3, 0.4]],
    anns_field="embedding",
    limit=3,
    search_params={"metric_type": "COSINE"},
    output_fields=["embedding"],
)

print(res)

import io.milvus.v2.service.vector.request.SearchReq;
import io.milvus.v2.service.vector.request.data.FloatVec;
import io.milvus.v2.service.vector.response.SearchResp;

import java.util.Arrays;
import java.util.Collections;

SearchResp res = client.search(SearchReq.builder()
        .collectionName("my_collection")
        .data(Collections.singletonList(new FloatVec(Arrays.asList(0.1f, 0.2f, 0.3f, 0.4f))))
        .annsField("embedding")
        .limit(3)
        .outputFields(Collections.singletonList("embedding"))
        .build());

System.out.println(res);

const res = await client.search({
  collection_name: "my_collection",
  data: [[0.1, 0.2, 0.3, 0.4]],
  anns_field: "embedding",
  limit: 3,
  search_params: { metric_type: "COSINE" },
  output_fields: ["embedding"],
});

console.log(res);

import (
    "context"
    "fmt"

    "github.com/milvus-io/milvus/client/v2/entity"
    "github.com/milvus-io/milvus/client/v2/milvusclient"
)

// Assumes `client` is the Milvus client from the Go schema example above.
ctx := context.Background()

query := []float32{0.1, 0.2, 0.3, 0.4}
resultSets, err := client.Search(ctx, milvusclient.NewSearchOption(
    "my_collection",
    3,
    []entity.Vector{entity.FloatVector(query)},
).WithANNSField("embedding").
    WithOutputFields("embedding"))
if err != nil {
    fmt.Println(err.Error())
}
fmt.Println(resultSets)

curl --request POST \
  --url "${CLUSTER_ENDPOINT}/v2/vectordb/entities/search" \
  --header "Authorization: Bearer ${TOKEN}" \
  --header "Content-Type: application/json" \
  --header "Request-Timeout: 10" \
  -d '{
    "collectionName": "my_collection",
    "data": [[0.1, 0.2, 0.3, 0.4]],
    "annsField": "embedding",
    "limit": 3,
    "searchParams": {"metricType": "COSINE"},
    "outputFields": ["embedding"]
  }'

В этом поиске:

• Только сущности с ненулевыми значениями embedding считаются кандидатами.
• Сущности с NULL-значениями для embedding исключаются из оценки.
• Количество возвращаемых результатов зависит от того, сколько валидных векторов существует в коллекции.

Последствия запросов и фильтрации

Предыдущие примеры посвящены векторным полям. В этом разделе описывается поведение значений NULL в выражениях скалярного фильтра.

Скалярные поля могут быть определены с помощью nullable=True и подчиняются тем же правилам вхождения, что и векторные поля. Однако скалярные значения NULL всегда оцениваются как false в выражениях фильтрации.

Например, при наличии скалярного поля age с нулевым значением следующий фильтр отбирает сущности, чей возраст больше 18 лет:

expr = "age > 18"

String filter = "age > 18";

const expr = "age > 18";

filter := "age > 18"

# Use in query/search filter parameter, for example:
# "filter": "age > 18"

Сущности, для которых age является NULL, исключаются из результатов, поскольку значение NULL не удовлетворяет условию фильтра.

Аналогично, проверки равенства не соответствуют значениям NULL. Например:

expr = 'status == "active"'

String filter = "status == \"active\"";

const expr = 'status == "active"';

filter := `status == "active"`

# "filter": "status == \"active\""

Сущности, для которых status является NULL, исключаются из результатов.

Нулевые поля и значения по умолчанию

Когда для поля настроены оба параметра nullable и default_value, следующие правила определяют, как Milvus обрабатывает ввод NULL или отсутствующие значения поля при вставке.

Основные выводы:

• Если поле имеет не NULL-значение по умолчанию, это значение используется независимо от того, включен ли nullable.
• Когда nullable=True, но значение по умолчанию не установлено, в поле сохраняется NULL.
• Если nullable=False и значение по умолчанию не установлено, вставка завершится с ошибкой.
• Установка значения по умолчанию NULL для ненулевого поля является недействительной и приводит к ошибке.

Полные примеры и использование API для значений по умолчанию см. в разделе Значения по умолчанию.