import pandas as pd df = pd.read_csv('Nowcoder.csv', sep = ',') pd.set_option("display.width", 300) # 设置字符显示宽度 pd.set_option("display.max_rows", None) # 设置显示最大行 pd.set_option("display.max_columns", None) df['Graduate_year'].fillna(value = df['Graduate_year'].max(),inpla...

import sys import pandas as pd df = pd.read_csv('Nowcoder.csv') col = df.columns.to_list() print(col) print(df.shape[0])

需要把连续的时间抽出来，dense_rank避免了排序里同一天多次购买的计数问题 SELECT user_id, COUNT(*) AS days_count FROM ( SELECT user_id, sales_date, DATE_SUB(sales_date, INTERVAL DENSE_RANK() OVER (PARTITION BY user_id ORDER BY sales_date) DAY) AS date_group FROM ( SELECT DISTINCT sales_date, user_id FROM sales_tb ) t1 ) t2 GROUP BY...

with a as (select style_id, sum(inventory) as all_items, sum(tag_price*inventory) as stored_price from product_tb group by 1), b as (select b1.style_id, sum(sales_num) as sold_items, sum(a1.sales_price) as gmv from sales_tb a1 join product_tb b1 on a1.item_id = b1.item_id group by 1) select a.style_...

with a as ( select a1.uid, a1.order_id, a1.total_amount as actual_paid, rank() over(partition by uid order by event_time asc) as rk,date_format(event_time,'%Y-%m') as event_month from tb_order_overall a1 where a1.status = 1 ), b as (select order_id,sum(price*cnt) as order_amount from tb_order_detail...

SELECT product_id, ROUND(repurchases / NULLIF(users, 0), 3) AS repurchase_rate FROM ( SELECT product_id, COUNT(DISTINCT uid) AS users, COUNT(DISTINCT CASE WHEN ttl > 1 THEN uid END) AS repurchases FROM ( SELECT b.product_id, a.uid, COUNT(distinct a.order_id) AS ttl, MAX(DATE(event_time)) AS max_d...