# 问题：统计活跃间隔对用户分级后，各活跃等级用户占比，结果保留两位小数，且按占比降序排序。# 用户等级标准简化为：忠实用户(近7天活跃过且非新晋用户)、新晋用户(近7天新增)、沉睡用户(近7天未活跃但更早前活跃过)、流失用户(近30天未活跃但更早前活跃过)。# 假设今天就是数据中所有日期的最大值。#近7天表示包含当天T的近7天，即闭区间[T-6, T]。分析思路1、先将各类标签转化成sql语言（类似于数学建模），发现只需要最近一次和最早一次活跃天数就能分类-- 忠实用户 最早一次活跃在七天之前，最近一次活跃在近七天-- 新增用户 最早一次活跃就是最近七天-- 沉睡用户 最早一次活跃在七天之前...

# select first_day as dt, # round(sum(case when second_day is not null and datediff(second_day,first_day)=1 then 1 else 0 end)/count(*) ,2) as uv_left_rate # from # ( # select uid, # max(case when rn=1 then dt else null end ) as first_day , # max(case when rn=2 then dt else null end ) as second_day ...

-- where筛选2021年有播放的记录 -- 按月份、作者分组统计 总播放次数 净涨粉数量: is_follow =1 then 1 is_follow =2 then -1 ,于是可以计算涨粉率 -- 按照窗口函数sum()over()可以计算截止当月的粉丝总量 select author,month,round(sum_add/play_times,3) as fans_growth_rate, sum(sum_add)over(partition by author order by month) as total_fans from( select author, date_for...

with temp as ( select t1.product_id, sum(cnt*in_price) as total_in , sum(price*cnt) as total_sale from tb_product_info t1 left join tb_order_detail t2 on t1.product_id = t2.product_id left join tb_order_overall t3 on t2.order_id=t3.order_id where t1.shop_id=901 and date_format(t3.event_time,'%Y-%m')...