同时在线人数固定思路：根据进入和退出时间构造新列num进行编码，进入时num编码为1，退出时编码为-1；将退出时间和进入时间使用union all进行合并；同时使用窗口函数，对课程id进行分组，按照时间进行升序排序，此时对构造的num列进行窗口累加，则每进入一个用户则加一，退出一个则减一。注意：如果同一时刻既有退出又有进入，则看题意是先计算增加人数，还是先计算减少人数。如果先计算增加，则只需将num较大的放前边，也即sum(t1.num) over(partition by t1.course_id order by t1.time1, t1.num desc)就行了。 with temp a...

明确题意：出勤率（在线时长10分钟及以上人数），可以对attend_tb表根据course_id, user_id分组用sum(timestampdiff(minute， begin，end))计算出勤时间（退出再进累计够10分钟也算），统计满足条件的user_id数。报名人数：behavior_tb这张表一个用户对一门课，不会重复的，因此分母只需统计sum(bt.if_sign)即可得到报名人数。 select ct.course_id, ct.course_name, round(100 * count(distinct if(t1.time1 >= 10, bt....

感谢大佬总结的思路：求某一时刻同时在线人数，只需判断该时刻 between '进入时间' and '退出时间'；不过这道题涉及到字符串转时间然后进行时间比较的。这里可以使用str_to_date将str按格式转为datetime然后进行比较。 select ct.course_id, ct.course_name, count(distinct at.user_id) as online_num from course_tb ct join attend_tb at on ct.course_id=at.course_id where str_to_date(substring...

对于连续类问题，思路：构造新的一列a，a列必须是根据对应时间排好序的。因为a列有序，同时跟本就有序的时间列相减，此时如果是连续两天购买，那么相减后值就会相同，具体演示如下。 select sales_date, user_id, date_sub(sales_date, interval rank() over(partition by user_id order by sales_date asc) day) as rank1 from sales_tb # 此处根据sale_date， user_id进行分组的原因是为了去重，使单个用户一天...

问题关键，弄清等车时间。这里有几个时间维度。首先是等车开始时间。这个是唯一的，event_time，随后是取消时间，这里有好几种情况，情况一：一直无司机接单、超时、途中用户主动取消打车，记录打车结束时间，这里应该是end_time, 情况二：乘客上车前，乘客或司机点击取消订单，会将打车订单的finish_time填充为取消时间，取消的时间段确定后，就可以采用编码的思路来解题了，也即在event_time构造新列全为1，在取消的时间段构造新列全为-1，之后合并后，使用窗口函数，对事件进行排序后累加。这样一遇到打车开始时间event_time就加一，遇到取消时间段就减一；注意：同一时刻有人停止等车...

明确题意：统计周一到周五各时间段叫车量，平均等待接单时间和平均调度时间，平均调度时间仅计算完成了的订单。这里我用的是date_format对时间进行划分，这里需要注意格式化的时间，和python中datetime的时间格式化符号不同。当然参考其他大佬的答案，使用hour()对时间分段也更加简洁注意： 涉及到时间加减，最好使用timestampdiff（time，begin，end）。mysql虽然支持直接时间相加减，但是一旦时间位不匹配会出现错误。还有一个细节，很多聚合函数，对于null列都是会直接忽略的。 select case when date_format(cr.event_...

因为数据是比较干净的，按日期升序，且中间没有缺失天数。故可使用窗口函数一步到位（偷懒了）取固定窗口大小的数据进行统计用的也比较少，特此记录一下：rows between 6 preceding and current row select * from ( select date(co.finish_time) as dt, round(avg(count(co.fare)) over(rows 6 preceding), 2) as finish_num_7d, round(avg(sum(if(co.fare is null, 1, 0))) ove...

注意点：找到21年10月有过取消订单记录的司机，只要在该时间段有取消记录则都计入with rollup： 写在分组函数之后，会对分组后的数据进行汇总。用的比较少，这里记录一下 select ifnull(co.driver_id, '总体') as driver_id, round(avg(co.grade), 1) as avg_grade from tb_get_car_order co where co.driver_id in ( select co.driver_id from tb_get_car_order co where co.fare is ...

说实话，题意描述确实是有误导性的，需要统计的是平均分评分最高的司机数据，而不是评分最高的司机。注意点：日均接单数，日均行驶里程数。一日可能有多单，但是对该日做分母只能计为1sum(co.mileage) / count(distinct date(co.order_time)) as avg_mileage另一个技巧在于求平均评分最大的司机，可以可以用窗口函数rank（）对分组后的均值进行倒序排序，值为1则表示该司机平均分最高。rank() over(partition by cr.city order by avg(co.grade) desc) rank1注：窗口函数运行顺序在分组之后。对...

temp = bool(int(input())) if temp:     print("Hello World!") else:     print("Erros!") # 注意bool('0'), 字符串无论是'0'或'1'都为True # print(bool('0'))

呃, 先上最直观的思路: 先写一个子查询, 根据product_id分组, 查询对应商品狗买的总人数(无近90天限制) 根据时间过滤, 商品product_id分组, 查询出近90天购买最少两次的人数 然后根据商品product_id连接, 相除即可 下边说一下我的解法 (追求用窗口函数一步到位, 感觉逼格很高, 但是很难理解), 个人在思考的时候, 花了不少时间去实现通过构造新列, 通过窗口函数的特性: 获取组内的统计信息 技巧: max(event_time) over() 能省略单独写个子查询去查询最大日期; 将购买日期和最大日期比较, 能很容易的获取到购买日期小于90天的用户i...

思路: 连表后根据shop_id分组, 然后求毛利率, 不同的是既要求某个商品的的毛利率, 又需要求该店铺的毛利率, 两种方法 使用with rollup(貌似只有mysql8.0支持), 该函数的功能是分组汇总统计, 举个例子, 根据product_id分组, 则会在分组的最后一行, 增加一行汇总行, 当有多个分组时, 则会在每个分组增加一行汇总数据 两次查询然后合并, 先根据product_id分组, 查出毛利率, 再根据shop_id分组, 查该店的毛利率. 然后用union合并 注意点1: 毛利率大于24.9%, 这个在查询后是字符串类型, 但是可以在having中使用, 进行比...

遇到比较复杂的逻辑问题时, 首先就是要一步步拆解细化 首先是只有artical_id为0时sign_in值才有效, 计算每个用户2021年7月以来每月获得的金币数（该活动到10月底结束，11月1日开始的签到不再获得金币）, 添加where条件过滤即可. 连续签到的积分怎么求? 首先明确, 连续签到这个行为肯定是某个用户的, 需要根据用户分组, 其次, 签到是有先后顺序的. 根据窗口函数, 对uid进行分组, 再对in_time机型升序排序, 就能得到用户签到的时间先后顺序. uid in_time order 102 2021-10-01 1 102 2021-1...