关于Neo4j查询中count(*)及两次查询结果差异的疑问

在Neo4j标准电影数据库中，存在如下标准查询：

MATCH (tom:Person {name:"Tom Hanks"})-[:ACTED_IN]->(m)<-[:ACTED_IN]-(coActors),
  (coActors)-[:ACTED_IN]->(m2)<-[:ACTED_IN]-(cocoActors)
WHERE NOT (tom)-[:ACTED_IN]->()<-[:ACTED_IN]-(cocoActors) AND tom <> cocoActors
RETURN cocoActors.name AS Recommended, count(*) AS Strength ORDER BY Strength DESC

该查询用于返回曾与汤姆·汉克斯的合作演员合作过的演员姓名，同时排除汤姆·汉克斯本人及他的直接合作演员。

我原本认为Strength是该间接合作演员与汤姆·汉克斯的合作演员合作的电影数量，但修改查询为：

MATCH (tom:Person {name:"Tom Hanks"})-[:ACTED_IN]->(m)<-[:ACTED_IN]-(coActors),
  (coActors)-[:ACTED_IN]->(m2)<-[:ACTED_IN]-(cocoActors)
WHERE NOT (tom)-[:ACTED_IN]->()<-[:ACTED_IN]-(cocoActors) AND tom <> cocoActors
RETURN coActors.name, cocoActors.name AS Recommended, count(*) AS Strength ORDER BY Strength DESC

后得到了完全不同的结果。请问此处Strength的实际含义是什么？为什么两次查询结果会有差异？

回答 #

Strength的本质 #

Cypher里的count(*)统计的是当前RETURN语句分组规则下，匹配到的路径总数，不是你误以为的“合作电影数量”——电影数量和路径数的对应关系，完全取决于你分组的维度。

第一次查询的Strength含义 #

第一次查询只按cocoActors.name（间接演员姓名）分组，所以count(*)统计的是：所有符合条件的「汤姆·汉克斯→参演电影→直接合作演员→参演电影→间接演员」的完整路径总数。

举个例子：如果间接演员A和汤姆的3个直接合作演员分别合作了2部、3部、1部电影，那总路径数就是2+3+1=6，A对应的Strength就是6。这个数值是A和所有汤姆的合作演员合作的电影数量之和，不是单一的电影数量。

第二次查询的Strength含义 #

第二次查询同时按coActors.name（汤姆的直接合作演员）和cocoActors.name（间接演员）两个字段分组，所以count(*)统计的是：某一个直接合作演员和某一个间接演员之间，共同参演的电影数量——因为每一部共同参演的电影，对应一条「直接合作演员→电影→间接演员」的路径，所以路径数就等于两人合作的电影数。

还是用上面的例子：第二次查询会生成三条记录，分别是(合作演员1, A, 2)、(合作演员2, A, 3)、(合作演员3, A, 1)，每条记录的Strength就是对应两人的合作电影数。

结果差异的核心原因 #

两次查询的分组维度完全不同：

• 第一次是把同一个间接演员的所有关联路径合并统计，得到的是该演员和汤姆所有合作演员的总合作路径数。
• 第二次是把「直接合作演员+间接演员」的每一对组合单独统计，得到的是每一对组合之间的合作电影数。

这就导致两次查询的统计对象、统计范围完全不一样，结果自然会有巨大差异。

内容的提问来源于stack exchange，提问作者user