upsert()

Near Deprecation

此操作会将新记录插入 Database，或更新现有记录。

Notes

upsert 是一种数据级操作：如果指定字段在 Collection 中已存在，则会覆盖现有 Entity；如果指定值尚不存在，则会插入新的 Entity。

请求语法

python
upsert(
    data: List | pandas.DataFrame | Dict, 
    partition_name: str | None, 
    timeout: float, 
)

参数：

data (list | dict | pandas.DataFrame) -

[必填]

要插入到当前 Collection 中的数据。

要插入的数据应与当前 Collection 的 Schema 匹配。您可以按以下方式组织数据：

列列表

每一列都是该列中所有 Entity 的值列表。

python
data = [
    [0,1,2,3,4],                         # id
    [                                    # vector
        [0.1,0.2,-0.3,-0.4,0.5],
        [0.3,-0.1,-0.2,-0.6,0.7],
        [-0.6,-0.3,0.2,0.8,0.7],
        [0.6,0.2,-0.3,-0.8,0.5],
        [0.3,0.1,-0.2,-0.6,-0.7],
    ],
]

A pandas.DataFrame

您可以用任意方式构造数据框，如本页的示例部分所示。

python
data = pd.DataFrame({
    "id": [5,6,7,8,9],
    "vector": [
        [0.1,0.2,-0.3,-0.4,0.5],
        [0.3,-0.1,-0.2,-0.6,0.7],
        [-0.6,-0.3,0.2,0.8,0.7],
        [0.6,0.2,-0.3,-0.8,0.5],
        [0.3,0.1,-0.2,-0.6,-0.7],
    ]
})

行列表或单行

每一行都是一个表示 Entity 的字典。

python
data = [
    {"id": 10, "vector": [0.1,0.2,-0.3,-0.4,0.5]},
    {"id": 11, "vector": [0.3,-0.1,-0.2,-0.6,0.7]},
    {"id": 12, "vector": [-0.6,-0.3,0.2,0.8,0.7]},
    {"id": 13, "vector": [0.6,0.2,-0.3,-0.8,0.5]},
    {"id": 14, "vector": [0.3,0.1,-0.2,-0.6,-0.7]},
]

# or 

data = {"id": 15, "vector": [0.3,0.1,-0.2,-0.6,-0.7]},

partition_name (string | None) -

当前 Collection 中某个 Partition 的名称。

如果指定，数据将插入到指定的 Partition 中。
timeout (float | None)

此操作的超时时长。将其设置为 None 表示当收到任意响应或发生任意错误时，此操作即超时。

返回类型：

MutationResult

返回值：

包含以下字段的 MutationResult 对象：

insert_count (int)

已插入的 Entity 数量。
delete_count (int)

已删除的 Entity 数量。
upsert_count (int)

已执行 upsert 的 Entity 数量。
succ_count (int)

此操作中成功执行的次数。
succ_index (list)

从 0 开始的索引号列表，每个索引号表示一次成功的操作。
err_count (int)

此操作中执行失败的次数。
err_index (list)

从 0 开始的索引号列表，每个索引号表示一次失败的操作。
primary_keys (list)

已插入 Entity 的主键列表。
timestamp (int)

此操作完成时的时间戳。

异常：

MilvusException

此操作期间发生任何错误时，都会引发此异常。

示例

python
from pymilvus import Collection, CollectionSchema, FieldSchema, DataType

schema = CollectionSchema([
    FieldSchema("id", DataType.INT64, is_primary=True),
    FieldSchema("vector", DataType.FLOAT_VECTOR, dim=5)
])

# Create a collection
collection = Collection(
    name="test_collection",
    schema=schema
)

# Upsert a list of columns
res = collection.upsert(
    data=[
        [0,1,2,3,4],                         # id
        [                                    # vector
            [0.1,0.2,-0.3,-0.4,0.5],
            [0.3,-0.1,-0.2,-0.6,0.7],
            [-0.6,-0.3,0.2,0.8,0.7],
            [0.6,0.2,-0.3,-0.8,0.5],
            [0.3,0.1,-0.2,-0.6,-0.7],
        ],
    ]
)

# Upsert a data frame
import pandas as pd

res = collection.upsert(
    data=pd.DataFrame({
        "id": [5,6,7,8,9],
        "vector": [
            [0.1,0.2,-0.3,-0.4,0.5],
            [0.3,-0.1,-0.2,-0.6,0.7],
            [-0.6,-0.3,0.2,0.8,0.7],
            [0.6,0.2,-0.3,-0.8,0.5],
            [0.3,0.1,-0.2,-0.6,-0.7],
        ]
    })
)

# Upsert a list of dictionaries
res = collection.upsert(
    data=[
        {"id": 10, "vector": [0.1,0.2,-0.3,-0.4,0.5]},
        {"id": 11, "vector": [0.3,-0.1,-0.2,-0.6,0.7]},
        {"id": 12, "vector": [-0.6,-0.3,0.2,0.8,0.7]},
        {"id": 13, "vector": [0.6,0.2,-0.3,-0.8,0.5]},
        {"id": 14, "vector": [0.3,0.1,-0.2,-0.6,-0.7]},
    ]
)

# Upsert a dictionary
res = collection.upsert(
    data={"id": 16, "vector": [0.3,0.1,-0.2,-0.6,-0.7]},
)

以下操作与 insert() 相关：

请求语法​

示例​

相关操作​

请求语法

示例

相关操作