解题思路： 反向推导， 正向执行 反向推导  获取各科目最大同时在线人数， 需要计算各科目每一个瞬间的同时在线人数， 再进行筛选 计算各科目每个瞬间的同在在线人数， 只需要计算截止每个瞬间的上线人数减去下线人数即可 计算截止每个瞬间的上线和下线人数， 只需要生成一个用户上线和下线的总表， 再根据科目分组， 按照时间顺序叠加即可  正向执行  生成用户瞬间的上线和下线总表 根据科目分组， 按照时间顺序， 上线加1， 下线-1， 计算每个瞬间的在线人数 最后筛选出每个科目最大的同时在线人数   select course_id, course_name, max(num) as max_num f...

解题思路： 反向推导， 正向执行 反向推导  获得连续2天及以上购物的用户及其对应的天数， 需要计算每位用户连续购买的天数， 再筛选出不小于2天的用户及其对应的天数 计算用户连续购买的天数， 需要定位出用户连续购买的日期， 在进行统计  正向执行  首先准备一个11月份每位用户以天为单位的购买记录， 并定位出连续购买的参照日期 计算每位用户连续购买的天数 筛选出连续2天及以上购物的用户及其对应的天数  一个关键点  连续购买天数的计算， 考虑连续购买的前后日期差应当相等并且为1， 所以可以通过先对日期排序， 再用当日的日期减去排序号， 如果日期连续， 则得到的日期差相同（即开始连续购买的前一天...

思路： 反向推导， 正向执行 反向推导  要输出各大城市单日的最大同时等车人数， 需要计算各大城市单日的同时等车人数 计算单日的同时等车人数， 可以拆解为， 单日的同一时间， 下单的用户数， 减去订单取消和上车的用户数（即结束等车的用户） 单日同一时间的下单用户数即record下单表中的同一时间(event_time开始计时）的用户数， 订单取消分两种情况， 一是司机接单前的取消， 二是司机接单后上车前的取消， 上车的用户数就是司机接单并且用户上车的乘客数量  正向执行  首先就下单用户， 取下订单用户和上车用户的数据形成一个总表， 为同时等车人数的计算做准备 其次是以城市和天为单位， 统计同...

思路： 反向推导， 正向执行； 步骤拆解 反向推导  计算店铺901国庆期间（前三天）的7日动销率和滞销率， 根据公式， 滞销率 = 1 - 动销率， 因此只需要计算出动销率， 根据动销率的公式， 可以拆解为两个指标， 一是国庆期间近七天出售的商品数， 二是截止国庆期间上架的商品数 计算国庆期间近七天出售的商品数， 又可以分为两步， 一是获取国庆期间近七天的order， 二是根据order_id计算国庆期间近七天出售的商品数 计算截止国庆期间上架的商品数， 只需要统计上架时间在国庆前三天之前的商品数  正向执行  首先准备一个国庆前三天的日期表， 作为最终结果输出的时间维度和计算过程中的日期参...

思路：反向推导， 正向执行 反向推导  要获得近一个月发布的视频中热度最高的top3视频， 需要先计算近一个月发布的每一个视频的热度值 计算视频热度，根据热度的计算公式分解出完播率、点赞数、评论数、转发数和最近无播放天数， 以视频为单位进行统计  正向执行  盘点近一个月发布的视频，并计算每个视频的完播率（完播数/播放数）、点赞数、评论数、转发数和最近无播放天数 根据热度计算公式带入分解出的各个指标计算值， 并根据要求排序和筛选  两个关键点：  筛选近一个月发布的视频， 两个节点， 一是当下的日期，就是播放记录数据中的最后一天， 二是每个视频发布的日期， 时间差在29天即可 计算最近无播放天...

从最终结果出发方向推导实现目标的步骤：  最终目标是用户每个月获取的金币数据量， 要实现这一数据的统计，需要知道用户在活动期间每天获得的金币数量。 用户每天获得的金币数量是根据用在活动期间连续签到的天数决定的， 因此需要计算用户在活动期间连续签到的天数。 用户在活动期间连续签到的天数是根据用户签到(article_id = 0 & sign = 1)的日期（in_time）进行判断的。  因此， 实现最终目标的路径可以分为以下四步：  筛选出活动期间用户签到的数据： uid， date 计算用户连续签到的天数， 可以根据签到日期进行排序、求差、再排序算出连续签到的天数 根据签到领金币的...