每天一道大厂SQL题【Day16】腾讯外包(微信相关)真题实战(一)
每天一道大厂SQL题【Day16】腾讯外包(微信相关)真题实战(一)
每天一道大厂SQL题【Day16】腾讯外包(微信相关)真题实战(一)
大家好，我是Maynor。相信大家和我一样，都有一个大厂梦，作为一名资深大数据选手，深知SQL重要性，接下来我准备用100天时间，基于大数据岗面试中的经典SQL题，以每日1题的形式，带你过一遍热门SQL题并给出恰如其分的解答。
一路走来，随着问题加深，发现不会的也愈来愈多。但底气着实足了不少，相信不少朋友和我一样，日积月累才是最有效的学习方式！
前五天我们学习了微众银行的5道SQL题,不良率,逾期率,Vintage账龄各种率搞的头昏脑胀,今天换一种口味,来道Python题。
每日语录
遇到困难的时候暂时放一放，第二天的时候，就再也想不起来了。
第16题：Python数据清洗转换
需求列表
1. Python数据清洗转换
数据分析师小 Q 收到一份微信用户行为 log 文件，文件中每一行包含三列 （ftime, event_code, event_value） 数据样例如下：
2020-01-18 19:02:48 | view_article | A1=wxid123&A3=post123&A4=1282&A5=
2020-01-18 19:02:48 | comment_article | A1=wxid123&A3=post123&A4=1282&A5=
说明：
第一列 ftime 记录了用户行行为时间例如 2020-01-18 19:02:48
第二列 event_code 记录了用户事件id， 例如 ‘view_article’ = 阅读文章，
‘comment_article’ = 评论文章
第三列 event_value 记录了事件详情，例如 ‘A1=wxid123&A3=post123&A4=1&A5=’ A1 表示用户 ID
A3 表 示 文 章 ID
A4 表示文章类型
请帮助小 Q 实现一个函数，从文件中提取出用户阅读文章的行为字段（时间，用户ID，文章 ID）
思路分析
使用PySpark读取微信日志数据，并对数据进行转换和清洗，最终将清洗后的结果RDD保存到HDFS中。在if name == ‘main’:代码块中，先创建了一个SparkConf配置对象和一个SparkContext上下文对象，然后使用SparkContext上下文对象从本地文件系统中读取微信日志数据，并将每行数据作为RDD的一个元素。接着定义了一个函数data_wash用于将每行日志数据进行转换清洗，并返回清洗后的结果。最后，使用RDD的map函数将原始日志数据RDD中的每个元素都应用data_wash函数进行清洗和转换，得到清洗后的结果RDD，并将结果RDD保存到HDFS中。最后，使用SparkContext的stop函数关闭SparkContext上下文对象，释放资源。
文末SQL小技巧
提高SQL功底的思路。 1、造数据。因为有数据支撑，会方便我们根据数据结果去不断调整SQL的写法。 造数据语法既可以create table再insert into，也可以用下面的create temporary view xx as values语句，更简单。 其中create temporary view xx as values语句，SparkSQL语法支持，hive不支持。 2、先将结果表画出来，包括结果字段名有哪些，数据量也画几条。这是分析他要什么。 从源表到结果表，一路可能要走多个步骤，其实就是可能需要多个子查询，过程多就用with as来重构提高可读性。 3、要由简单过度到复杂，不要一下子就写一个很复杂的。 先写简单的select from table…,每个中间步骤都执行打印结果，看是否符合预期， 根据中间结果，进一步调整修饰SQL语句，再执行，直到接近结果表。 4、数据量要小，工具要快，如果用hive，就设置set hive.exec.mode.local.auto=true;如果是SparkSQL，就设置合适的shuffle并行度，set spark.sql.shuffle.partitions=4;
后记
📢博客主页：https://manor.blog.csdn.net
📢欢迎留言 📝 如有错误敬请指正！ 📢本文由 Maynor 原创，首发于 CSDN博客🙉 📢不能老盯着手机屏幕，要不时地抬起头，看看老板的位置⭐ 📢专栏持续更新,欢迎订阅：https://blog.csdn.net/xianyu120/category_12182595.html