看到数据分析师,有CDA证书,不知道这个证书含金量如何,值不值得备考.

#小白好理解的写法 with tiaojian as ( select driver_id from tb_get_car_order //求出有取消记录的司机 where start_time is null and date_format(order_time,"%Y%m")=202110 ) select ifnull( tr.driver_id,"总体"), round( avg(grade),1) as avg_grade //把有取消记录的司机和总表连接，求出平均值，利用group by with rollup...

#小白另类解法，好理解，请大牛多多指教 with tiaojian as ( select uid, artical_id, date(in_time) as day, lead(date(in_time),1)over(partition by uid order by date(in_time)) as pm from tb_user_log where artical_id=0 and date(in_time) between "2021-07-07" and "2021-10-31" and sign_in=1 ) select t1.u...

#简单的判断思路解题，排序判断uid排名第一的登录的时间，再利用case进行判断 with tiaojian as ( select uid, date(in_time) as day from tb_user_log group by uid,day union all select uid, date(out_time) as day from tb_user_log group by uid,day ) select day, count(distinct uid) as dau, round( count(distinct case when m=1 then uid end)/c...

#比较好理解的解法 with tiaojian as ( select uid, min(date(in_time))over(partition by uid order by date(in_time)) as first_date, max(date(in_time))over(partition by uid order by date(in_time)) as max_date, lag(date(in_time),1)over(partition by uid order by date(in_time) asc) as last_date, max(date(in_time))o...

#小白新思路，好理解，利用窗口函数直接求出结果。 #1.先合并表，因题目说了离开日期为第二天也算隔天登录。 #2.先找到第一次登录时间，因按照天计算，可以形成1天多次登录，第一天多次登录都算第一次登录时间。 #3.利用lead()求出下次登录时间，因要求次日留存率，故需要。 #4.筛出2021年11月份，排名第一次登录的时间，与lead()的结果差=1，就是隔天的人数count(distinct uid). #5.相除就能得到答案。 with tiaojian as ( select uid, date(in_time) as pday from tb_user_log union all ...

#比较简单的一种思路了。 with tiaojian as ( select uid, login_date, lead(login_date)over(partition by uid order by login_date) as diff, row_number()over(partition by uid order by login_date) as pm from user_login_tb ) select login_date, round( sum(case when datediff(diff,login_date)=1 then 1 else 0 end )/co...

select t1.uid, t1.search_num, t1.click_num, t1.m as search_rank, t1.py as click_rank from( select t.uid, t.search_num, t.click_num, dense_rank()over(order by t.search_num desc) as m, dense_rank()over(order by t.click_num desc) as py from( select tg.uid, ifnull(count(distinct tg.id),0) as search_nu...

#小白简单直接的窗口函数写法 select t.tag, t.dt, t.pt as sum_like_cnt_7d, t.py as max_retweet_cnt_7d from( select tf.tag, date(tg.start_time) as dt, sum(sum(if_like=1))over(partition by tf.tag order by date(tg.start_time) range interval 6 day preceding) as pt, max(sum(if_retweet=1))over(partition by tf.tag o...

#小白简化思路，直接case when + group by判断 #求每天的日活用户次日留存率，等于当日+1=向上一个日期相同，则符合条件。 #求每天新用户次日留存率，等于用户最小登录日期=当期日期 and 当日+1=向上一个日期相同,则符合新用户次日留存日期。 #group by 天数，用avg(日活用户次日留存率)，备注avg( 当日+1=向上一个日期相同 then 1 else 0) 或者 sum(当日+1=向上一个日期相同 then 1 else 0)/count(时间) #特别注意，判断新用户日活是2个条件，公式为新用户日活人数/新用户人数，sum(最小登录日期=当期日期 and 当...

#还是先吐槽发布的题意没读懂。 #题意在用户在search_log_tb这表的,event_time时间与之后的时间之前，点击的情况。 #我之前有个想法，就是直接整天全求出来，后来发现要判断每天点击不为空的次数，因此，要求每人每个时间段的次数，然后在一层求有效点击和均点击值 with tiaojian as ( select uid, event_time, lead(event_time,1,(select max(event_time) from search_log_tb))over(partition by uid order by event_time asc) as m f...

#纯小白思路 #还是先说下题意吧，不知道牛客花钱了，这题意说的云山雾绕的。 #求每周的变化率,(当前周几+1完播率-当前周几完播率)/当前周几完播率，公式反过来也行。（当前周几/当前周几-1）/当前周几-1 with tiaojian as ( select weekday(start_time)+1 as weekth, sum(case when timestampdiff(second,start_time,end_time)>=vb.time_len then 1 else timestampdiff(second,start_time,end_time)/vb.time_len...

#真小白思路，按照题意写(PS:虽然题意写的乱七八糟的，但是能看的七七八八) #1.求每天的播放时长(播放时长/播放人数)。 #2.求每天播放时长大于3的时长的均长(大于3秒的播放时长/大于3秒的人数) #其实，一解释就好写多了。 select date(start_time) as dt, round( ifnull( (sum(timestampdiff(second,start_time,end_time))/count(distinct uid))*1,0),1) as avg_stay_time_len_user, round( ifnull( ( sum(case when ti...

#新简化写法 select t.login_date as dt, count(distinct uid) as total_user_num, concat( ifnull( round( ( count(distinct case when t.m=1 then uid end)/count(distinct uid) )*100,1),0),"%") as new_user_rate from( select uid, login_date, row_number()over(partition by uid order by login_date) as m ...