import pandas as pd df=pd.read_csv('sales.csv') def func1(data,q1,q2,q3,ascending=True): score=0 if ascending is True: if data<=q1: score=4 elif data>q1 and data<=q2: score=3 elif data>q2 and data<=q3: score=2 elif data>q3: score=1 else: score=0 else: if data<=q1: score=1 elif d...

import pandas as pd from datetime import timedelta df=pd.read_csv('nowcoder.csv') df['date1']=pd.to_datetime(df['date']).dt.date df_1=df[['user_id','date1']].drop_duplicates() # 去重 # 求最大连续天数 df_1['date1_rank']=df_1.groupby('user_id')['date1'].rank() # 按照user_id分组后，求每个date1的排名 # print(df_1) # date1-排...

import pandas as pd df=pd.read_csv('nowcoder.csv') df['year-month-day']=pd.to_datetime(df['date'],format='%Y-%m-%d').dt.date # print(df.groupby(['result','year-month-day'])['question_id'].count()) #数值没错，输出格式不对劲 print(df.groupby(['result','year-month-day']).size())

import pandas as pd df_0=pd.read_csv('nowcoder.csv') df_0['date']=pd.to_datetime(df_0['date']).dt.date #转成日期类型 df=df_0[['date','user_id']].drop_duplicates() # 用户1天会多次答题，需要去重 df['next_date'] = df.sort_values('date').groupby(df['user_id'])['date'].shift(-1) # 复刻sql中lead() over()这个窗口函数：排序-》分组-》获取下一次日期 ...

import pandas as pd pd.set_option('display.width',300) pd.set_option('display.max_rows',None) pd.set_option('display.max_columns',None) df=pd.read_csv('./Nowcoder.csv', dtype=object) print(df.duplicated()) print(df.drop_duplicates())

# 连接表，求得所需要的字段 # 计算热度相关的因素 # 找出近一个月热度最高的top 3 with month_time as ( select uvl.*, vi.duration, vi.release_time, case when timestampdiff(second, start_time, end_time) >= duration then 1 when timestampdiff(second, start_time, end_time) < duration then 0 end as broadcast_finish #这里需要判断求值 ，记住形使用方法 ...

insert into exam_record(uid, exam_id, start_time, submit_time, score) values (1001, 9001, '2021-09-01 22:11:12', '2021-09-01 22:11:12' + interval 50 minute, 90), (1002, 9002, '2021-09-04 07:01:02', null, null) #一、插入记录的方式汇总： #普通插入（全字段）：INSERT INTO table_name VALUES (value1, value2, ...) #普通插入（限定字段）：I...

select p.prod_name, count(o.order_num) orders from Products p left join OrderItems o on p.prod_id = o.prod_id group by p.prod_name order by p.prod_name

import pandas as pd f1 = pd.read_csv('items.csv') f2 = pd.read_csv('signup.csv') f = pd.merge(f1, f2, on = 'item_id') print( pd.pivot_table(f, index = ['sex','department'], columns=['item_name'],values=['employee_id'], aggfunc='count', fill_value=0) ) ''' `pivot_table` 是 Pandas 库中用于创建数据透视表的函数。它允许你根据...

#该题要求使用outer join,但是由于mysql不支持outer join,所以只能使用left join +right join实现全联结 (select p.prod_name, oi.order_num from Products p left join OrderItems oi on p.prod_id = oi.prod_id) union (select p.prod_name, oi.order_num from Products p right join OrderItems oi on p.prod_id = oi.prod_id) order by prod_nam...

select c.cust_name, A.total_price from Customers c inner join (select o.cust_id, sum(oi.item_price*quantity*1.000) total_price from OrderItems oi inner join Orders o on oi.order_num = o.order_num group by o.cust_id ) A on A.cust_id = c.cust_id where A.total_price >= 1000 order by A.total_price #数...

select c.cust_email from Customers c where c.cust_id in ( select o.cust_id from Orders o left join OrderItems oi on oi.order_num = o.order_num where oi.prod_id = 'BR01' )

select A.cust_name, A.order_num, oi.quantity*oi.item_price OrderTotal from (select c.cust_name, o.order_num from Customers c inner join Orders o on c.cust_id = o.cust_id) A inner join OrderItems oi on A.order_num = oi.order_num order by A.cust_name, A.order_num

select o.cust_id, ( select sum(q.item_price*q.quantity) from OrderItems q where q.order_num = o.order_num ) total_order from Orders o order by total_order desc #主查询中的total_order列将子查询的结果显示为主查询的一部分。故结果集中的每一行都有相应的cust_id和计算出的total_order。