数仓面试——连续登录问题

数据仓库践行者

发布于 2022-03-15 08:30:31

1.1K0

发布于 2022-03-15 08:30:31

文章被收录于专栏：数据仓库践行者

Hi, 我是小萝卜算子

一、简介

连续登录问题，是一个经典sql，本文从易到难，简单拓展，有更好方法的同学，欢迎私下交流

二、表结构（去过重的）

CREATE TABLE `user_login`(
`id` int COMMENT '用户主键',
`dt` string COMMENT '登录日期')

三、表数据

user_login.id user_login.dt
1001 2021-12-12
1002 2021-12-12
1001 2021-12-13
1001 2021-12-14
1001 2021-12-16
1002 2021-12-16
1001 2021-12-19
1002 2021-12-17
1001 2021-12-20

四、需求：求出连续3天登录的用户id

方法一：自关联

SELECT
  tmp2.id
FROM
(
  SELECT
    tmp.id,
    tmp.dt
  FROM
  (
    SELECT
      ul1.id,
      ul1.dt
    FROM
      user_login ul1
    INNER JOIN 
      user_login ul2 
    ON ul1.id = ul2.id
    WHERE
      ul2.dt BETWEEN date_sub(ul1.dt, 2) AND ul1.dt
  ) tmp
  GROUP BY
    tmp.id,
    tmp.dt
  HAVING
    count(1) = 3
) tmp2
group by 
tmp2.id

详解：

1：因为是固定的3天，所以可以采用主键自关联方法，过滤条件为副表ul2的登录时间在主表登录时间和主表登录时间减去两天的区间内
2：然后根据主表的id,和登录时间分组，分组后数量正好是3天的，说明连续三天时间都有登录
3：根据步骤二的结果去重，获取结果
方法二：巧用窗口函数row_number

SELECT
  tmp2.id
FROM
(
  SELECT
    id,
    date_sub(dt, rn) dt_line
  FROM
  (
    SELECT
      id,
      dt,
      row_number () over (PARTITION BY id ORDER BY dt) rn
    FROM
      user_login
  ) tmp
  GROUP BY
  id,
  date_sub(dt, rn)
  HAVING
    count(1) >= 3
) tmp2
group by 
tmp2.id

详解：

1：利用row_number 提供一个自增序列
2：如果前后连续，那么登录日期减去步骤一提供的序列号结果相等
3：根据步骤二提供的日期基准，和用户id分组，过滤出大于等于3的结果
4：根据步骤三的结果去重，获取结果

方法三：采用窗口函数 lag(lead)

SELECT
  tmp2.id
FROM
(
  SELECT
    id,
    IF (datediff(dt, lag_dt) = 2, 1, 0) flag
  FROM
  (
    SELECT
    id,
    dt,
    lag (dt, 2, '0000-00-00') over (PARTITION BY id ORDER BY dt) lag_dt
    FROM
    user_login
  ) tmp
) tmp2
WHERE
  tmp2.flag = 1
GROUP BY
  tmp2.id

详解：

1：因为是固定的3天，所以可以采用lag(lead)方法，求出前面第二个的日期与当前的日期差
2：根据步骤一的结果，判断如果日期差等于2，则是连续登录
3：根据步骤二的结果过滤分组，获取结果

方法四：比对相邻数据日期，可扩展为组别划分

SELECT
  id
FROM
(
  SELECT
    id,
    max_dt_line
  FROM
  (
    SELECT
      id,
      dt,
      lag_dt,
      max(dt_line) over (PARTITION BY id ORDER BY dt) max_dt_line
    FROM
    (
      SELECT
        id,
        dt,
        lag_dt,
        IF (datediff(dt, lag_dt) = 1,"0",dt) dt_line
      FROM
      (
        SELECT
          id,
          dt,
          lag (dt, 1, '000-00-00') over (PARTITION BY id ORDER BY dt) lag_dt
         FROM
          user_login
      ) tmp
    ) tmp1
  ) tmp2
  GROUP BY
  id,
  max_dt_line
  HAVING
  count(1) >= 3
) tmp4
GROUP BY
  id;

详解：