# 热度=(a*视频完播率+b*点赞数+c*评论数+d*转发数)*新鲜度； # 新鲜度=1/(最近无播放天数+1)； #关于最近无播放天数（指的不是这一个月有多少天无播放，而是距离当前有多少天没有播放量，所以是每个视频最后一次播放日期，到当前也就是整个所有视频最后播放日期，之间的天数差） # 看到评论区不错的解释是：SELECT MAX(end_time) FROM tb_user_video_log) 是整个表内最大的日期，相当于当前日期，而MAX（date(end_time)）是聚合后每个视频的最后播放日期。当播放次数为0时，最近无播放天数=当前日期-发布日期； 当播放次数不为0时，最近无...

#头三天，每天的近一周点赞数，最大单天转发量 #current row 当前行， n preceding 前n行， n following 后n行， #unbounded preceding 一直到第一条记录， unbounded following 一直到最后一条记录 # 1 先按照分类、天groupby，得到每种分类每天的点赞数、转发数 #select tag, DATE_FORMAT(start_time,'%Y-%m-%d') as dt, # sum(if_like) as like_day, # sum(if_retweet) as retweet # from tb_user_v...

#考点在于当前总粉量的计算 #一开始直接用了fans_growth_rate的分子作为总粉量，是错误的。fans_growth_rate的分子可以理解成“粉丝变化数量”,比如9月增加1个，10月增加2个；但对于总粉丝量来说，9月是1个，10月就是1+2=3个。此处需要累加。 #所以第一个sum是在根据作者，月份groupby之后的相加；第二个sum over是在此基础上对结果进行累加，也就是比如说对10月的总粉量按照作者归类、时间排序依次累加 select author, date_format(end_time, '%Y-%m') as month, round(sum(if_follow)...

##啊啊啊啊注意看提示举例，是差29天！！！ #思路和前两题一样 select tag, sum(if_retweet) as retweet_cut, round(sum(if_retweet)/count(uid),3) as retweet_rate from (select uid, if_retweet, tag from tb_user_video_log uv left join tb_video_info vi on uv.video_id=vi.video_id where datediff(date((select max(end_time) from tb_user_vi...

#完整版：和算完播率一样先按照每一条记录整理出播放时长和视频时长， 再从子表里按照分类group by, 计算播放进度 select tag, concat(avg_1,'%') as avg_play_progress from (select tag, round(avg(if(total_time/duration>1, 1, total_time/duration))*100,2) as avg_1 from (select uid, TIMESTAMPDIFF(SECOND, start_time, end_time) as total_time, tag, duration ...

##先用video_id关联得出一个按照每条播放记录整理的字段为uid，video_id,开始时间，结束时间，视频时长的子表： select uv.uid, uv.video_id, uv.start_time, uv.end_time, vi.duration from tb_user_video_log uv left join tb_video_info vi on uv.video_id=vi.video_id where year(start_time)='2021' ##再按照video_id聚合，计算总播放量和完播量相除： round(count(case when end_ti...

with main as ( select pro.product_id, oo.uid, rank()over(partition by pro.product_id, oo.uid order by event_time) as rank_times from tb_order_detail od left join tb_product_info pro using (product_id) left join tb_order_overall oo using (order_id) where pro.tag='零食' and status=1 and datediff(date((s...

# #统计新增用户 # select uid, min(date(in_time)) as min_dt from tb_user_log group by uid # #统计用户活跃记录 # #如果in_time-进入时间和out_time-离开时间跨天了，在两天里都记为该用户活跃过，结果按日期升序。 # #因为以上条件，我们需要把in和out拼接起来都算作该用户的活跃日期 # select uid, date(in_date) as dt from tb_user_log # union # select uid, date(out_date) as dt from tb_user_log...

select emp_no, salary, dense_rank()over(order by salary desc) as t_rank from salaries order by t_rank, emp_no RANK(): Duplicate values get the same rank. 它为每一行分配一个唯一的排名，即使两行的值相同，它们也会获得相同的排名。如果两行的值相同，它们跟下一个的排名会有一个间隔。 DENSE_RANK(): 相同排名没有间隔 ROW_NUMBER(): 同值不同排名.它为每一行分配一个唯一的数字，即使两行的值相同，它们也会获得不同的行号，它的主要...

select a.name, a.cnt from (select s.id, s.name, count(m.id) as cnt from subject s left join submission m on s.id=m.subject_id where m.create_time=current_date group by s.id, s.name) a order by a.cnt desc, a.id

select distinct music_name from ( select f.user_id, f.follower_id, l.music_id, m.music_name from follow f, music_likes l, music m where f.follower_id=l.user_id and l.music_id=m.id and f.user_id=1 group by f.user_id, f.follower_id, l.music_id order by music_id ) a where music_id not in (select music_...

select a.job, a.date as first_yera_mon, a.cnt as first_year_cnt, b.date as second_year_mon, b.cnt as second_year_cnt from (select distinct job, date_format(date,'%Y-%m') as date, month(date)as mon, sum(num)over(partition by date_format(date,'%Y-%m'),job) as cnt from resume_info where year(date)='202...

select job, date_format(date,'%Y-%m') as mon, sum(num) as cnt from resume_info where year(date)='2025' group by 2,1 order by 2 desc, 3 desc

#1 select distinct job, sum(num)over(partition by job) as cnt from resume_info where year(date)='2025' order by cnt desc #2 select job , sum(num)as cnt from resume_info where year(date)='2025' group by job order by cnt desc