误区： 1.有销售的SKU数量:是销售的所有商品数量，即sum(sales_num),而不是count(distinct item_id) 2.在售SKU数量:备货数量-销售数量，即sum(inventory)-sum(sales_num)，而不是count(distinct product_tb.item_id) with t1 as(     select         item_id, &nbsp...

筛选用户的购买信息,t1 联结 条件： 零食类，where 近90天: >=date_sub(今天，interval 89 day) 对t1中的用户进行打标，有复购记为1，无复购记为0,生成t2 分组：group by uid, product_id if(count(uid)>1,1,0) as tag 根据t2计算复购率: 分组：group by product_id 复购率：round(sum(tag)/count(tag),3) 排序：order by 取前3：limit select product_id, round(sum(ta...

这一题真的好综合，就是看妮是会灵活运用。感谢网友王尼玛呢提供的思路。思路： 计算每位用户连续签到的天数 统计用户的签到情况，生成签到表 条件：where date(in_time) between '2021-07-07' and '2021-10-31'and artical_id=0and sign_in=1 对签到时间排序dense_rank() over(partition by uid order by dt) as rn 根据连续签到天数计算当天得到的硬币 如果连续签到，则有，签到日期-排序=定值 date_sub(dt,inter...

思路： 分别创建用户新增表活和跃表，分别得到每天的新增用户数和活跃用户数 通过日期联立两表，计算活跃率 with t1 as( select uid,date(in_time) dt from tb_user_log union select uid,date(out_time) dt from tb_user_log ), -- 活跃表 t2 as( select uid, min(dt) as dt2 from t1 group by uid ) -- 新增表 select ...

思路：1.先生成新用户表和用户活跃表 新用户表：时间为最早活跃的那一天，min() 用户活跃表：考虑隔天，使用UNION去重 2.联结两张表： uid相同 a.date=date_sub(b.date,interval 1 day)3. 从联立的表中，计算新用户留存率 留存率：count(distinct b.uid)/count(distinct a.uid) -- 次日/前一天 条件：2021-11 按照日期分组 排序 select a.dt, round(count(b.uid)/count(a.uid),2) as uv_rate from -- ...

思路： 先对用户行为打标，进入为1，离开为-1 进入表 出去表 union all联结两表 按照时间，顺序，累加用户状态，可得到用户同时在线人数。 同时在线人数 sum(tag) over(partition by artical_id order by dt,tag desc) -- 先记录增加，后记录减少，所以要tag desc 条件，artical_id!=0 取最大，并排序 artical_id 分组 排序select artical_id, max(uv) as max_uv from( select artical_id, dt, sum(tag) ...

思路：1.先计算每位用户的最先登录时间，判断是否为新增，打标；2.对新增的用户进行统计具体步骤： 对新增用户打标，建立子表。 当登录时间与用户的最小登录时间一致时，则打标：if(start_time = min(start_time) over(partition by uid),1,0) as tag 从子表统计月活用户数、新增用户数、截止当月的单月最大新增用户数、截止当月的累积用户数。 分组：group by month 月活：count(distinct uid) 新增用户数：sum(tag) 截止当月的单月最大新增用户数:max(新增用户数) over(order by mont...

思路：分别统计20，21年上半年的各类试卷的做完次数，和排名。合并后，计算增长率和排名变化 统计20,21年上半年信息,建立子表 联结：using 各类试卷分组：group by tag,year 完成次数：count() 排名：dense_rank() over( order by 完成次数 desc) , 排名不需要tag分组 条件：前六个月：where month()<7 根据上面子表，计算增长率，和排名变化 分别取20/21年的值： exam_cnt as exam_cnt_20 lead(exam_cnt) over(partition by tag order by s...

思路：统计用户近三个月的答卷数目和完成数目，用户满足条件SQL试卷上未完成率较高的50%用户中，6级和7级用户。 近三个月的答卷数目和完成数目 从exam_record统计用户答题时间排名，生成t1：dense_rank() 从t1统计用户的答卷数目和完成数目 分组：group by uid 条件：ranking <=3 用户满足的条件,取并集 SQL试卷上未完成率较高的50%用户 从exam_record统计用户的未完成率生成in_complete_rate_table: 分组：uid 未完成率：1-count(score)/count(1) as in_complete_...

对月份进行排序，得到子表：dense_rank() 根据子表计算完成试卷的数量 根据uid分组 条件： 近三个月，rank<=3，where 没有试卷是未完成的状态：分组后筛选，开始数=得分次数 having count 排序select uid, count(start_time) as exam_complete_cnt from( select *, dense_rank() over(partition by uid order by date_format(start_time,"%Y%m") desc) as ranking from exa...

计算下一次的作答时间，生成子表 下次做答时间：lead(start_time) over(partition by uid order by start_time) as next_time 条件：2021 最大时间窗： max(datediff(next_time,start_time)) as days_window 用户平均每天会做多少题目 作答题数：count() 作答的时间间隔：datediff(max(start_time),min(start_time))+1,注意根据题目意思+1 最大时间窗做多少题目：平均每天做的*时间窗 分组：group by 筛选：having ...

计算每一天的量select date_format(start_time,"%Y-%m-%d") as dt, tag, sum(if_like) as like_cn, sum(if_retweet) as retweet_cn from tb_user_video_log left join tb_video_info using(video_id) where year(start_time) = 2021 group by 2,1 计算最近一周的量select dt, tag, sum(like_cn) over(partitio...