Chroma向量数据库数据查看实战指南：从基础查询到高级分析

1次阅读

共计 2474 个字符，预计需要花费 7 分钟才能阅读完成。

Chroma 是一个开源的向量数据库，专门用于存储和检索向量数据。它特别适合处理由机器学习模型生成的嵌入向量（embeddings）。与传统的数据库不同，Chroma 的核心优势在于能够高效地进行向量相似度搜索，这使得它在语义搜索、推荐系统等场景中非常有用。

Chroma 的数据存储特点包括：

向量数据的高效存储和索引
支持元数据（metadata）的灵活存储
提供简单易用的 API 接口
支持多种距离度量方式（如余弦相似度、欧氏距离等）

首先需要安装 Chroma 客户端库：
```
pip install chromadb
```

连接本地数据库或远程服务：

import chromadb

# 连接本地数据库
client = chromadb.Client()

# 或者连接远程服务
# client = chromadb.HttpClient(host="localhost", port=8000)

Chroma 提供了几种基础查询方式：

获取集合（collection）中的所有数据：

collection = client.get_collection("my_collection")
results = collection.get()
print(results)

按 ID 查询特定记录：

results = collection.get(ids=["id1", "id2"]
)

使用 where 条件过滤元数据：

results = collection.get(where={"metadata_field": "value"}
)

Chroma 最强大的功能之一是向量相似度搜索：

# 假设我们有一个查询向量
query_embedding = [0.1, 0.2, 0.3, ...]

# 查找最相似的 5 个向量
results = collection.query(query_embeddings=[query_embedding],
    n_results=5
)

print("最相似的 5 个向量:", results['ids'][0])
print("相似度分数:", results['distances'][0])

可以组合多个元数据条件进行更精确的查询：

results = collection.get(
    where={
        "$and": [{"category": "technology"},
            {"year": {"$gte": 2020}}
        ]
    }
)

以下是一个完整的查询示例，包含各种常见场景：

import chromadb

# 1. 连接数据库
client = chromadb.Client()

# 2. 获取或创建集合
try:
    collection = client.get_collection("my_collection")
except:
    collection = client.create_collection("my_collection")

# 3. 添加一些测试数据
collection.add(ids=["doc1", "doc2", "doc3"],
    embeddings=[[0.1, 0.2, 0.3, 0.4],
        [0.5, 0.6, 0.7, 0.8],
        [0.9, 1.0, 1.1, 1.2]
    ],
    metadatas=[{"category": "technology", "year": 2021},
        {"category": "science", "year": 2022},
        {"category": "technology", "year": 2023}
    ],
    documents=["Doc 1 content", "Doc 2 content", "Doc 3 content"]
)

# 4. 基础查询示例
print("\n 所有文档:")
print(collection.get())

# 5. 按 ID 查询
print("\n 按 ID 查询:")
print(collection.get(ids=["doc1", "doc2"]))

# 6. 元数据过滤
print("\n 技术类文档:")
print(collection.get(where={"category": "technology"}))

# 7. 相似度搜索
print("\n 相似度搜索:")
query_embedding = [0.15, 0.25, 0.35, 0.45]
results = collection.query(query_embeddings=[query_embedding],
    n_results=2
)
print("最相似的 2 个文档:", results['ids'][0])
print("相似度分数:", results['distances'][0])

当处理大量数据时，查询性能变得尤为重要。以下是一些优化策略：