sql语句题目练习哪里找？

描述 从听歌流水中找到18-25岁用户在2022年每个月播放次数top 3的周杰伦的歌曲。select*from(selecta.month,row_number() over (partition bya.monthorder bya.play_pv desc,a.song_id) as ranking,a.song_name,a.play_pvfrom(selectmonth(fdate) as month,p1.song_id,song_name,count(p1.user_id) as play_pvfromplay_log p1left join song_info s on p1.song_id = s.song_idleft join user_info u on p1.user_id = u.user_idwhereyear(fdate) = '2022'and age between 18 and 25and s.singer_name = "周杰伦"group bymonth(fdate),p1.song_id,song_name) a) bwhereb.ranking <= 3order byb.month,b.play_pv desc,b.ranking这个需求本质上是在分析特定人群的内容消费偏好，其中“每个月 Top3 的周杰伦歌曲”衡量的是 18–25 岁用户在 2022 年不同月份对周杰伦歌曲的阶段性偏好和热度分布。我会先明确统计口径：人群限定为 18–25 岁用户，时间范围限定为 2022 年，分析对象限定为周杰伦歌曲，统计粒度为“月 + 歌曲”，核心指标为播放次数，并在每个月内按播放次数降序取前 3 名。在计算上，通常会先将播放流水表与歌曲信息表、用户信息表进行关联，筛选出 2022 年内、年龄在 18 到 25 岁之间、且歌手为周杰伦的播放记录；然后按月份和歌曲维度聚合，统计每首歌在当月的播放次数；接着在每个月内部按照播放次数降序进行排序，并通过窗口函数生成名次；最后取每个月排名前 3 的歌曲，得到该人群在各月份的热门周杰伦歌曲榜单。在分析层面，我不会只停留在榜单结果本身，还会进一步观察各月份 Top3 歌曲的稳定性、歌曲更替情况、头部歌曲集中度，以及不同月份之间热度变化的节奏，判断年轻用户对周杰伦歌曲的偏好是更偏长期稳定，还是更受阶段性热点影响。从指标位置上看，这类指标属于内容消费分析中的“播放偏好识别”，更接近内容运营和用户兴趣洞察，而不是传统转化漏斗前端指标。它回答的核心问题不是用户有没有来，而是用户来了之后更偏好消费什么内容。在输出层面，我会基于结果进一步形成业务结论，比如识别哪些歌曲具备持续性的年轻用户吸引力，哪些歌曲只在个别月份短期冲高，整体偏好是否集中在少数经典曲目上，以及不同月份的内容偏好是否存在明显波动。最终再将这些结论转化为关键动作，例如在推荐和歌单运营中优先强化高稳定性热门歌曲，对阶段性热度上升的歌曲结合节日、话题或活动做专题运营，同时结合月份变化和人群特征优化内容分发策略，以提升目标用户的播放深度和内容消费效率。

一、笔试整体情况 题型：2道Python + 1道SQL 形式：LeetCode 风格在线编程，直接写代码、当场运行出结果 难度：基础偏中等，不考偏题怪题 重点：数据分析能力 + 基础编程逻辑 + SQL筛选  二、Python 题目（2道） 1. 数据分析类（必考） 题型：给一组数据（列表/字典） 考点：   Pandas 基础（读取、筛选、统计）   计算均值、最值、计数、排序   空值处理、简单统计 要求：输出指定结果，能运行通过  2. 实际场景编程题 题型：业务场景小需求 考点：   for / while 循环   条件判断（ifelifelse）   列表操作、遍历、计数   输...

描述 你正在搭建一个用户活跃度的画像，其中一个与活跃度相关的特征是“最长连续登录天数”， 请用SQL实现“2023年1月1日-2023年1月31日用户最长的连续登录天数”selectt4.user_id,max(t4.tp) as max_consec_daysfrom(selectt3.user_id as user_id,count(t3.tm) as tpfrom(selectt2.user_id,date_sub(t2.fdate, interval t2.rk day) tmfrom(selectt1.user_id,t1.fdate,row_number() over (partition byuser_idorder byt1.fdate) as rkfrom(select distinctfdate,user_idfromtb_dau) t1) t2) t3group byt3.user_id,t3.tm) t4group byt4.user_id这个需求本质上是在构建用户活跃度画像，其中“最长连续登录天数”衡量的是用户在观察周期内的活跃稳定性和使用习惯强度。我会先明确统计口径：按用户、按天去重，在 2023 年 1 月范围内识别每段连续登录区间，并取最长的一段作为用户级特征。在计算上，通常会先筛选出 2023 年 1 月的登录数据，对同一用户同一天的重复登录进行去重；然后按用户对登录日期升序排序，给每条登录记录生成顺序编号；再利用“登录日期减去序号”这一方法识别连续登录区间，因为连续日期减去连续序号后会落在同一分组中；接着按用户和连续分组统计每段连续登录天数；最后再对每个用户取最大值，得到其最长连续登录天数。在分析层面，我不会只停留在这个特征本身，还会进一步观察最长连续登录天数的分布、高连续用户占比、关键断点位置，以及在新老用户、渠道、时间节点等维度下的差异。从漏斗位置看，这个指标属于用户生命周期中的留存与稳定活跃阶段，用来衡量用户是否已经形成持续使用习惯。在输出层面，我会基于结果进一步形成业务结论，比如判断用户连续活跃整体处于什么水平、关键流失断点主要出现在什么阶段、不同用户分层之间是否存在明显差异，以及问题更偏向新用户承接、老用户衰减还是渠道质量差异。最终再将结论转化为关键动作，例如优化新手承接链路、设计 3 日和 7 日关键节点激励、进行分层运营，并通过内容供给、触达策略和权益机制来提升用户持续登录和活跃稳定性。

AI应用(实习)岗1. 自我介绍2. 面试官：“我看你简历python和编程肯定没有问题，有用过Java吗” -- 回复 有用过 springboot做过项目3. 面试官：“我没什么问题了，hr有什么问题吗”4. hr：“啥时候能来？” -- 回复 月内5. 反问整体氛围较为轻松，面试官和hr感觉挺开朗人挺好，面试官事先看过简历 说有意愿来的话做的业务跟我项目差不多(面试官自己说不太懂ai)。整体就四五分钟😬 准备了好多东西没用上，担心是KPI面试吗 还是确实缺人？