Nano Hash - криптовалюты, майнинг, программирование

Neo4J cypher: сбор свойств промежуточного узла (путь)

У меня есть граф, связанный с происхождением данных в Neo4J с путем переменной длины, содержащий промежуточные узлы (таблицы):

match p=(s)-[r:airflow_loads_to*]->(t)
where s.database_name='hive'
and s.schema_name='test'
and s.name="source_table"
return s.name,collect(nodes(p)),t.name

Вместо того, чтобы возвращать узлы между s.name и t.name в качестве пути, я хочу вернуть массив свойства name всех узлов в пути (в порядок обхода)

Я вероятно должен использовать сбор, но это невозможно на пути ...

14.01.2020

Ответы:


1

изменение последней строки на

return s.name, [n in nodes(p) | n.name] as arrayOfName, t.name

должен сделать трюк

14.01.2020
  • Отлично, сработало! Но теперь у меня есть вторая проблема, так как набор результатов содержит циклы, которые я хочу опустить. Новый вопрос: stackoverflow.com/ questions / 59735441 / 14.01.2020
  • Новые материалы

    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..

    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..

    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..

    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..

    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..

    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..

    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..