热线电话:13121318867

登录
首页大数据时代【干货】SQL取数学会这些,搞定90%数据分析工作
【干货】SQL取数学会这些,搞定90%数据分析工作
2025-03-07
收藏

推荐学习书籍

CDA一级教材》在线电子版正式上线CDA网校,为你提供系统、实用、前沿的学习资源,助你轻松迈入数据分析的大门!

免费加入阅读:https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0

做数据分析的,为什么要写SQL

没有数据的情况下,我们分析数据就像是巧妇难为无米之炊。因此,为了进行数据分析,我们必须获取数据。而大多数情况下,数据都存放在数据库中,这时候我们就必须要学会SQL取数了。

除了一部分公司专人专岗,有人帮你查好数据发你做分析,大部分情况还是需要你自己取数的。

本次我们沿用之前《极简统计学入门》的“MVP”思路,用三节的内容梳理一下SQL(基于MySQL8.0),整个系列框架如下

  • 第1节 SQL简介与基础知识
  • 第2节 窗口分析函数
  • 第3节 SQL近N日登录连续登录N日问题
    • 连续登录N天的用户数量
  • 第4节 近N日留存的用户数及留存率
    • 近N日留存的用户数及留存率

1. SQL简介

我们知道,SQL(结构化查询语言)是一种数据库语言,按照功能分类,有DDL、DQL、DML、DCL、TCL 五大类型,简单了解一下它们分别是做什么用的:

(1)DDL(Data Definition Language) DDL是数据定义语言,主要用来定义或者改变表的结构。例如:create、alter、drop、truncate等语句。

(2)DQL(Data Query Language) DQL是数据查询语言,主要用来从表中检索数据。例如:select语句。

(3)DML(Data Manipulation Language) DML是数据操作语言,主要用来对数据库里表中的数据进行操作。例如:insert、delete、update等语句。

(4)DCL(Data Control Language) DCL是数据控制语言,主要用来设置或更改数据库用户或角色对数据的访问权限。例如:grant、revoke等语句。

(5)TCL(Transaction Control Language) TCL是事务控制语言,主要用来控制事务。例如:COMMIT、ROLLBACK等语句。

了解了以上分类,我们简单回顾一下其中DDL、DML、DQL的基础语法(有基础的可直接跳过看SQL查询与执行顺序)

2. SQL基础之DDL、DML、DQL

① 数据定义语言 (DDL)

定义数据库当中的对象 (库、表) 关键字: createdeletealtershow

创建数据库
  • 创建数据库 create database 数据库名
  • 创建指定字符集的数据库 create database 数据库名 charset set 字符集编码
  • 创建一个数据库(先判断数据库是否已存在,如果不存在则进行创建)create database if not exist数据库名
查看数据库
  • 查询所有数据库名称

show database;

  • 查询指定数据库的字符集 并显示创建语句

show create database 数据库名;

删除数据库
  • 删除指定数据库

drop database 数据库名;

  • 删除指定数据库,如果不存在则不删除

drop database 数据库名 if exist;

进入指定数据库

use 数据库名;

创建表

create table 表名(字段字段类型)

create table table_name
(
 column_1 int null,
 column_2 int null
);
复制表
  • 只复制结构

create table 新表名 like 被复制的表名;

执行上述语句后,将创建一个名为table2的新表,其结构与table1完全相同,但不会复制table1中的任何数据。

  • 复制结构和数据

create table 新表名 as select * from 被复制的表名;

上述语句将创建一个名为table2的新表,其结构和数据与table1完全相同。

查询表
  • 查询库里面有哪些表

show tables;

  • 查询表的结构

describe 表名;

  • 查询指定表的创建语句

show create table 表名;

修改表

alter table 表名 add column (字段字段类型,字段字段类型);

alter table 表名 modify column 字段字段类型;

alter table 表名 change column 旧字段名 新字段字段类型;

alter table 表名 drop column 字段名;

  • 修改表名

alter table 表名 rename 新表名;

② 数据操作语言 (DML)

操作数据 (增、删、改) 关键字: insertdeleteupdate

添加数据
  • 指定列名添加

insert into 表名 (字段名1,字段名2) values(数值1,数值2);

  • 全部列的添加

insert into 表名 values (数值1,···,最后一个数值);

  • 一次性插入多条数据
insert into 表名 values
(数值1_1,数值2_1···,最后一个数值n_1),
(数值1_2,数值2_2···,最后一个数值n_2),
(数值1_n,数值2_n···,最后一个数值n_n);
删除数据
  • 删除表的指定数据

delete from 表名 where 字段名 = 字段值;

  • truncate 删除全表的数据

truncate table 表名;

  • drop 删除全表(包括定义和数据。)

drop table 表名;

drop、truncate、delete 三者的区别
  • drop用于删除数据库对象,包括定义和数据。
  • truncate用于删除表中的所有数据,但保留表的定义。
  • delete用于删除表中的行,可以根据条件删除特定的数据,并且可以回滚。
修改数据

update 表名 set 字段名 = 数据值 where 字段名 = 数据值;

update 表名 set 字段名1=数据值1,字段名2=数据值2 where 字段名 = 数据值;

  • 在基础数据上进行修改(某列的值减去3)

update 表名 set 字段名1 = 字段名1 -3;

③ 数据库查询语言 (DQL)

查询数据
  • 查询表中所有数据

select * from 表名;

  • 查询表的指定列

select 字段名1, 字段名2 from 表名;

  • 指定别名查询

select 字段名 as 别名 from 表名;

  • 常量列查询

select 字段名 as 自定义名字,临时常量 as 别名 from 表名;

  • 合并列查询

select 字段名 as 自定义名字,(字段 1 + 字段2) as 别名 from 表名;

条件查询 (跟在 where 后面的关键字) 条件运算符
<             # 小于
>             # 大于
<=            # 小于等于 
>=            # 大于等于
<>            # 不等于
!=            # 不等于
between…and…  # 在……范围内
in            # 包括
like          # 模糊查询
is null       # 是否为空
and           # 且
or            # 或
not           # 非
模糊查询

select * from 表名 where 字段名 like "关键词";

select * from 表名 where 字段名 like "%hello%";

select * from 表名 where 字段名 like "%_大学%";

聚合查询
  • max():获取查询后结果的最大值

select max(字段名) from 表名;

  • min():获取查询后结果的最小值

select min(字段名) from 表名;

  • avg():获取查询后结果的平均值

select avg(字段名) from 表名;

  • sum():获取查询后结果的总和

select sum(字段名) from 表名;

  • count():获取查询后结果的总记录数

select count (字段名) from 表名;

排序查询关键字: order by 默认是升序 asc,降序 desc
select *
from table_class
order by id desc;
分组查询关键字:group by
  • 统计每个班级有多少人
select class_name,count(*) 
from table_class
group by class_name;
  • 统计班级人数大于2个人的班级
select class_name,count(*)
from table_class
group by class_name
having count (*)>=2;
内连接查询

两张表交叉后并且过滤后的数据查询 (交集)关键字: inner join

select * 
from table_a a 
inner join table_b b 
on a.aid = b.bid;
左 (外) 连接查询

左表 (table_a) 的记录将会全部表示出来,而右表 (table_b) 只会显示符合搜索条件的记录,右表记录不足的地方均为 NULL 关键字: left join

select * 
from table_a  a 
left join  table_b b
on a.a_id = b.b_id;
右 (外) 连接查询

左表 (a_table) 只会显示符合搜索条件的记录,而右表 (b_table) 的记录将会全部表示出来,左表记录不足的地方均为 null 关键字: right join

select * 
from  table_a a 
right join table_b b 
on a.a_id = b.b_id;
结果合并
(select colum_1,colum_2,...,colum_n 
from table_a)
union
(select colum_1,colum_2,...,colum_n
from table_b)
  • 两个select语句具有相同的列数和相似的数据类型。如果列数不匹配,可以使用null或者空字符串填充缺失的列

  • 使用 union 时,数据完全相同的记录,将会被合并,由于合并比较耗时,一般不直接使用 union 进行合并,而是采用 union all进行合并。

(select id,name from table_a
order by id
union all
(select id,name from table_b
order by id);
#没有排序效果
(select id,name from table_a ) 
union all 
(select id,name from table_b ) 
order by id;
#有排序效果
子查询

将一个 SQL 语句的查询结果 (单列数据) 作为另一个 SQL 语句的查询条件。

select *
from table_a
where id_a in 
    (select id_b
    from table_a);

好了,以上内容,我们简单回顾了一下SQL的基本函数,下面我们开始正式内容:

如果你接触过不同编程语言就会发现,任何编程语言的学习,都离不开3个最基本的核心要素,数据类型、流程控制、函数

数据类型是用来描述数据的性质和特征的,它决定了数据在计算和处理过程中的行为和规则。常见的数据类型包括整数、浮点数、字符串、日期等。简而言之,数据类型就是你将要操作的东西具有什么样的特点

流程控制是指通过条件判断和循环等方式,控制程序按照一定的顺序执行不同的操作步骤。它决定了数据的处理流程,包括判断条件、循环次数、分支选择等。简而言之,流程控制解决的问题就是你要操作这个东西的基本流程是什么

函数是一段预先定义好的代码,用于执行特定的操作或计算。它接受输入参数,并返回一个结果。函数可以用来对数据进行各种计算、转换、筛选等操作,以满足特定的需求。简而言之,函数解决的问题就是你要怎么样才能可复用地操作这一类东西

SQL极简教程系列我们重点讨论数据类型与函数,下面我们先来看第一个核心要素:

3. 数据类型

① 整数类型
整数类型 用途 范围
tinyint 用于存储小整数值 -128到127,即()到()
smallint 用于存储较小的整数值 -32768到32767 ,即()到()
mediumint 用于存储中等大小的整数值 -8388608到 8388607 ,即()到()
int 用于存储普通大小的整数值 -2147483648到2147483647,即 ()到()
bigint 用于存储大整数值 -9223372036854775808到9223372036854775807,即 () 到 ()
② 浮点类型
浮点类型 用途 范围
float 用于存储单精度浮点数值 -3.402823466E+38到-1.175494351E-38,0,1.175494351E-38到3.402823466E+38
double 用于存储双精度浮点数值 -1.7976931348623157E+308到-2.2250738585072014E-308,0,2.2250738585072014E-308到1.7976931348623157E+308
③ 字符串类型
数据类型 用途 特点
char 用于存储固定长度的字符串 存储的字符串长度固定,最多可以存储255个字符
varchar 用于存储可变长度的字符串 存储的字符串长度可变,最多可以存储65535个字符
binary 用于存储二进制数据 存储的数据以二进制形式存储,最多可以存储255个字节
varbinary 用于存储可变长度的二进制数据 存储的数据以二进制形式存储,长度可变,最多可以存储65535个字节
text 用于存储较长的文本数据 存储的文本数据长度可变,最多可以存储65535个字符
blob 用于存储较大的二进制数据 存储的二进制数据长度可变,最多可以存储65535个字节
④ 日期类型
数据类型 用途 范围
date 用于存储日期值 '1000-01-01'到'9999-12-31'
time 用于存储时间值 '-838:59:59'到'838:59:59'
datetime 用于存储日期和时间值 '1000-01-01 00:00:00'到'9999-12-31 23:59:59'
timestamp 用于存储日期和时间值,自动更新 '1970-01-01 00:00:01' UTC到'2038-01-19 03:14:07' UTC
year 用于存储年份值 1901到2155

如果上面内容看明白了,恭喜你已经学会了如何描述你要操作的对象的特点了,接着我们看第二个核心问题:函数。一般无外乎针对字符串的函数、针对日期的函数、针对数值运算的函数、以及操作数据转化的函数:

5、函数

① 字符串函数

**字符串函数:**返回字符串的长度

select length('learn_mysql_and_find_a_data_analysis_job') str_len;

**字符串连接函数:**返回输入字符串连接后的结果,支持任意个输入字符串

select concat('Certified','Data','Analyst'as str_concat;

带分隔符字符串连接函数: 返回输入字符串连接后的结果,SEP表示各个字符串间的分隔符

select concat_ws('_','Certified','Data','Analyst'as str_concat_ws; 

字符串截取函数: 返回字符串从start位置到结尾的字符串

select substr('Certified_Data_Analyst',11);

select substr('Certified_Data_Analyst',-12);

字符串截取函数: 返回字符串从start位置开始,长度为len的字符串

select substr('Certified_Data_Analyst',11,4);
select substring('Certified_Data_Analyst',-7,7);

字符串转大写函数:upper,ucase 返回字符串A的大写格式

select upper('certified_data_analyst');  
select ucase('certified_data_analyst');

字符串转小写函数:lower,lcase 返回字符串A的小写格式

select lower('CERTIFIED_DATA_ANALYST'); 
select lcase('CERTIFIED_DATA_ANALYST');

**字符串反转函数:**返回字符串的反转结果

select reverse('learn_mysql')  as str_rev;

去空格函数:trim 去除字符串两边的空格

select trim(' Data ');  

左边去空格函数:ltrim去除字符串左边的空格

select ltrim(' Data '); 

右边去空格函数:rtrim 去除字符串右边的空格

select rtrim(' Data ');  `

空格字符串函数:space 返回长度为n的字符串

select space(10);  
select length(space(10));

重复字符串函数:repeat 返回重复n次后的str字符串

select repeat('SQL',5);

左补足函数:lpad 将str进行用pad进行左补足到len位

select lpad('MySQL',11,'go');

右补足函数:rpad 将str进行用pad进行右补足到len位

select rpad('MySQL',11,'go');

分割字符串函数: mysql里面没有直接做字符串分割的函数,substring_index 按照pat字符串分割str,会返回分割后的字符串数组

select substring_index('Certified_Data_Analyst''_'1AS part1,
       substring_index(substring_index('Certified_Data_Analyst''_'2), '_'-1AS part2,
       substring_index(substring_index('Certified_Data_Analyst''_'3), '_'-1AS part3;

集合查找函数: find_in_set 返回str在strlist第一次出现的位置,strlist是用逗号分割的字符串。如果没有找该str字符,则返回0

select find_in_set('data''certified,data,analyst');
select find_in_set('mysql','certified,data,analyst');

正则表达式替换函数:regexp_replace将字符串A中的符合java正则表达式B的部分替换为C。注意,在有些情况下要使用转义字符

select regexp_replace('learn_mysql_and_python''mysal|python''programming');

正则表达式提取函数:regexp_extract 返回第一个匹配的子字符串

select regexp_substr('mysql8''[0-9]+')  extracted_number;

② 数学函数

四舍五入:round

select round(3.14159);   # round(a) 返回a的值,并对a四舍五入
select round(3.14159,3); # round(a, n) 返回保留n小数位和四舍五入后的a的值

向上取整:ceil

select ceil(3.14);
select ceiling(3.14);
select ceil(-3.14);

向下取整:floor

select floor(3.14);
select floor(-3.14);

求取随机数:rand

select rand();    # 每行返回一个double型随机数
select rand(100); # 每行返回一个double型随机数,整数seed是随机因子的种子;

其他数学运算函数

# exp(d)           #返回e的 d幂次方,返回double型;
select exp(1); # e的1次方
# 2.718281828459045

# ln(d)         #以自然数为底d的对数,返回double型;
select ln(exp(1)); # 以e为底e的对数
# 1

# log2(d)          #以2为底d的对数,返回double型;
select log2(8);
# 3

# log10(d)         #以10为底d的对数,返回double型;
select log10(100);
# 2

# log(a, b) #以a为底b的对数,返回double型;
select log(3,9);
# 2


# pow(x, n) # x 的n次幂,返回double型;
select pow(10,2);
# 100

# sqrt(DOUBLE d)          #d的平方根,返回double型;
select sqrt(16);
# 4

# abs(DOUBLE d)      #返回d的绝对值,结果为double型;
select abs(-3.14);
# 3.14

# sin()      #返回d的正弦值,结果为double型;
select sin(radians(30));
# 0.49999999999999994

# cos()      #返回d 的余弦值,结果为double型;
select tan(radians(60));
# 0.5000000000000001

# tan()      #返回d的正切值,结果为double型;
select tan(radians(45));
# 0.9999999999999999

# asin()      #返回d的反正弦值,结果为double型;
select degrees(asin(0.5));
# 30.000000000000004

# acos()      #返回d的反余弦值,结果为double型;
select degrees(acos(0.5));
# 60.00000000000001

# atan()      #返回d的反正切值,结果为double型;
select degrees(atan(1));
# 45

# PI()        #数学常数Pi,圆周率;
select PI();
# 3.141593

③ 日期函数

获取日期 date() 返回时间字符串的日期部分

select date('2023-09-21 15:06:51');

获取年月日

year()、month()、day() 从一个日期中取出相应的年、月、日

select 
year('2023-09-21 15:06:51'),
month('2023-09-21 15:06:51'),
day('2023-09-21 15:06:51');

获取第几周

weekofyear() 返回输入日期在该年中是第几个星期

select weekofyear('2023-09-21 15:06:51');

获取指定间隔的日期

  • date_add() 在一个日期基础上增加天数
  • date_sub() 在一个日期基础上减去天数
#请问,2023-09-21起,7天以后的日期是?7天前的日期是?
select date_add('2023-09-21',interval 7 dayas seven_days_after,
date_sub('2023-09-21',interval 7 day ) as seven_days_before;

# 当前日期,7天以后的日期是?7天前的日期是?
select date_add(current_date(),interval 7 dayas seven_days_after, date_sub(current_date(),interval 7 dayas seven_days_before;

获取两个日期之差

返回的是数字

  • datediff() 计算开始时间startdate到结束时间enddate相差的天数
select datediff('2023-09-21 15:06:51','2003-09-21 15:06:51');
# 7305
  • current_date() 返回当前日期
select current_date();
# 2023-09-21

日期时间格式化

  • date_format() 按指定格式返回时间(对日期时间格式化)
#将“2023-09-21 15:06:51”转化如下格式
select date_format('2023-09-21 15:06:51''%Y-%m-%d');
select date_format('2023-09-21 15:06:51''%Y-%M-%D');
select date_format('2023-09-21 15:06:51''%M-%d-%y');

select date_format('2023-09-21 15:06:51''%m/%d/%y');
select date_format('2023-09-21 15:06:51''%m/%d/%Y %H:%i:%s');
select date_format('2023-09-21 15:06:51''%Y年%m月%d日 %H点%i分%s秒');

附:MySql查询当天、本周、本月、本季度、本年


# 1.今天
select  to_days(now());

# 2.昨天
select  to_days(now()) - 1 ;

# 3.本周
select  yearweek(now());

# 4.上周
select yearweek(now()) -1;

# 5.往回推,7天前的时间
select date_sub(current_date(), interval 7 day);

# 6.往回推,30天前的时间
select date_sub(current_date(), interval 30 day);

# 7.本月
select  date_format(current_date(),'%Y%m');

# 8.上月
select  date_format(date_sub(current_date(),interval 1 month),'%Y%m') ;


# 9.近6个月
select date_sub(current_date(),interval 6 month);

# 10.本季度
select quarter(current_date());

# 11.上季度
select quarter(date_sub(current_date(),interval 1 quarter));

# 12.今年
select  year(now());

13.去年
select year(date_sub(now(),interval 1 year));

④ 类型转换函数

类型转换函数 double、date、char

# 将字符'3.14'转换为double数值类型
select cast('3.14' as double);
# 将字符串'2023-09-21'转换为date类型
select cast('2023-09-21' as date);

interval函数

interval(a,n1,n2,n3,...);

其中,a是要判断的数值,n1,n2,n3,...是分段的间隔。这个函数的返回值是段的位置:如果比n1还小,则返回0,如果在n1和n2中间,则返回1,如果n2<=a<n3,则返回2。

select interval(13710);
# 0
select interval(53710);
# 1
select interval(93710);
# 2

interval关键词

select now()-interval '2' hour;

⑤ 条件函数

函数if

select if(80 > 60,'及格','未及格'); 条件表达式为真返回1,为假返回2

非空查找 coalesce

coalesce(v1,v2,…) 返回参数中的第一个非空值;如果所有值都为null,那么返回 null

select coalesce('Certified',null'Analyst');
select coalesce(null'Data','Analyst');

判断是否为null

isnull() 判断是否为null

  • 语法:isnull(a) 如果a为null就返回1,否则返回0
select isnull(null);
select isnull('');

条件判断 case...when...

select name,
      case
           when score >= 80 then '优秀'
           when score >= 70 and score < 80 then '良好'
           when score >= 60 and score < 70 then '及格'
           else '未及格'
      end as score_label
from cda_exam;

看完了数据类型与函数,我们来了解一下SQL的执行顺序。了解SQL的执行顺序,不仅有助于深入理解SQL的执行过程,还能在处理异常时快速确定问题所在。

4. SQL查询的执行顺序

下面看一个包含常用SQL关键词的语句模板:

select distinct column_name,
agg_func(column_name_or_expression)
from table_a a
join table_b b
on a.column_name = b.column_name
where constraint_expression
group by column_name
having constraint_expression
order by column_name asc/desc
limit count offset count;
① from 和 join

从指定的表中选择数据

② where

从数据进行过滤。 注意:as 列别名还不能在这个阶段使用,因为这时候select还没执行,别名是一个还没执行的表达式

③ group by

按指定的列对数据进行分组。

④ having

对group by 子句中分组后的数据进行过滤。as 列别名也不能在这个阶段使用。

⑤ select

选择要返回的列,决定输出什么数据。

⑥ distinct

如果数据行有重复 distinct 将负责排重

⑦ order by

对结果做排序。此时可以用 as 别名了,select 中的表达式已经执行完了。

⑧ limit / offset

限制结果集的数量。 limmit a,b 等价于 limit b offset a

日拱一卒,功不唐捐。你所有的奋斗都不会白费!

SQL数据分析极简入门》第2节 窗口分析函数

窗口分析函数简介

窗口分析函数主要用来做数据统计分析,属于OLAP方式。

我们知道,OLAP联机分析处理和OLTP联机事务处理是两种常见的数据库处理方式,通常情况下,分析师更喜爱OLAP(分析),开发者更关注的是OLTP(事务)

窗口分析函数可以计算一定范围内、一定值域内、或者一段时间内的累积和以及移动平均值等,可以方便的实现复杂的数据统计分析需求。

  • 窗口函数包括: lead、lag、first_value、last_value
  • 分析函数包括: rank、row_number、percent_rank、cume_dist、ntile
  • 可以结合聚集函数sum()、avg()、max(),min(),count()等使用。

窗口分析函数

lag, lead, first_value, last_value

1. lag()

学过Python的同学都知道,这个函数与pandasshift()十分相似

lag(col,n,default) 函数的作用是返回某列的值向下平移n行后的结果。

  • 第一个参数为列名
  • 第二个参数为当前行之前第n行(可选,默认为1)
  • 第三个参数为缺失时默认值(当前行之前第n行为NULL没有时,返回该默认值,如不指定,则为NULL)。

本节数据/SQL下载:回复“SQL3” user_pv表的建表及数据插入SQL如下(也可以选择网盘下载后导入,二选一即可):

例如:对每个用户当天浏览次数与前一天的浏览次数进行比较

select uid,
       dt,
       pv,
       lag(pv, 10over (partition by uid order by dt) as lag_1_pv
from user_pv
order by uid,dt

2. lead()

lead:函数的作用是返回某列的值向上平移n行后的结果。 第一个参数为列名 第二个参数为当前行后面第n行(可选,默认为1) 第三个参数为缺失时默认值(当前行后面第n行为没有时,返回该默认值,如不指定,则为NULL)。

例如:比较每个用户当天浏览次数和后一天的浏览次数。

select uid,
       dt,
       pv,
       lead(pv, 10over ( partition by uid order by dt) as lead_1_pv
from user_pv
order by uid,dt;

3. first_value()

例如:比较每个用户当天浏览次数与第一天浏览次数。

select uid,
       dt,
       pv,
       first_value(pv) over (partition by uid order by dt) first_value_pv
from user_pv
order by uid,dt;

注:上面例子窗口为第一行到当前行(缺失窗口子句,有order by ,默认为rows between unbounded preceding and current row)。 所以,first_value返回窗口的第一行,即第一天浏览次数。

4. last_value()

例如:比较每个用户当天浏览次数与最后一天浏览次数进行比较。

select uid,
       dt,
       pv,
       last_value(pv) over (partition by uid order by dt rows between current row and unbounded following) last_value_pv
from user_pv
order by uid,dt;

注:上面例子的窗口为当前行到最后一行(rows between current row and unbounded following)。 last_value返回的是窗口最后一行,即最新一天的浏览次数。

分析函数

分析函数 row_number, rank, dense_rank、cume_dist, percent_rank, ntile

1. row_number( )

按顺序排序,排序的值不会重复,总数不变;

select uid,
       dt,
       pv,
       row_number() over (partition by uid order by pv descas row_number_pv
from user_pv
order by uid, pv desc;

2. rank( )

大小一样排序的值一样,但会占用排名的位置,总数不变; 下面对用户每天浏览量进行一个排名。

select uid,
       dt,
       pv,
       rank() over (partition by uid order by pv descas rank_pv
from user_pv
order by uid, pv desc;

3. dense_rank( )

排序值相同时重复,排名并列,排名依次增加,排序相同时总数会减少; 例如,如果两行排名为3,则下一个排名为4,不同于RANK()函数返回5。 下面对用户每天浏览量进行一个排名:

select uid,
       dt,
       pv,
       dense_rank() over (partition by uid order by pv desc) dense_rank_pv
from user_pv
order by uid, pv desc;

对比看下,row_number, rank, dense_rank的运行效果:

select uid,
       dt,
       pv,
       row_number() over (partition by uid order by pv desc) as row_number_pv,
       rank() over (partition by uid order by pv desc) as rank_pv,
       dense_rank() over (partition by uid order by pv desc) dense_rank_pv
from user_pv
order by uid, pv desc;

总结来说,ROW_NUMBER函数为每一行分配唯一的行号,而RANK函数和DENSE_RANK函数在处理具有相同排序值的行时有所不同。RANK函数会跳过下一个排名,而DENSE_RANK函数会紧随其后。选择使用哪个函数取决于具体的需求和对重复值的处理方式。

4. cume_dist()

累积分布cume_dist()函数,用于计算当前行在排序结果中的累积分布比例。

# 4、5的合并案例
select uid,
       dt,
       pv,
       cume_dist() over (partition by uid order by pv) cume_dist_pv
from user_pv
order by uid, pv;

5. percent_rank()

非常类似于cume_dist函数。同样用于计算当前行在排序结果中的累积分布比例。

select uid,
       dt,
       pv,
       percent_rank() over (partition by uid order by pv) as  percent_rank_uv
from user_pv
order by uid, pv;

对比看下,cume_dist和 percent_rank函数的运行效果:

select uid,
       dt,
       pv,
       cume_dist() over (partition by uid order by pv) cume_dist_pv,
       percent_rank() over (partition by uid order by pv) as  percent_rank_uv
from user_pv
order by uid, pv;

6. ntile()

学过Python的同学都知道,组内分桶,不就是组内pd.cut()

ntile()函数,将每个分区的行尽可能均匀地划分为指定数量的分组。

例如,ntile(4)表示划分为4个分组,分组取决于over子句中的order by子句。

select uid,
       dt,
       pv,
       ntile(4over (partition by uid order by pv) as nt_pv
from user_pv;

连续登录N天的用户数量

现有用户登录表(user_active_log)一份,里面有2个字段:userID(用户ID),createdTime(登录时间戳),需要统计2021年12月连续登录7天的用户数量。

本节例题的user_active_log数据及SQL下载:在公众号对话框回复“SQL”即可下载

分析过程:

题目要求的核心是连续登录,那么我们思考,何为连续登录呢?

顾名思义,连续登录就是指登录的日期连续,那么用数据库的语言来表达的话,我们该描述表达日期连续呢?

我们简化一下数据来考虑这个问题,一般我们有2个办法:

构造一个连续数字构成的辅助列,用原始日期减去辅助列的数字,得到一个新日期,根据这个新日期来判断是否连续;

或者构造一个连续日期构成的辅助列,用原始日期减去这个辅助列的日期,得到一个新数字,最后根据这个数字来判断连续。

这里分别展示两种思路如下:

方法A:

日期 辅助列 新日期
2021-12-02 1 2021-12-01
2021-12-03 2 2021-12-01
2021-12-04 3 2021-12-01
2021-12-05 4 2021-12-01
2021-12-06 5 2021-12-01
2021-12-07 6 2021-12-01

方法B:

日期 辅助列 新数字
2021-12-02 2021-12-01 1
2021-12-03 2021-12-02 1
2021-12-04 2021-12-03 1
2021-12-05 2021-12-04 1
2021-12-06 2021-12-05 1
2021-12-07 2021-12-06 1

一般我们为了方便统计某一起始时间连续登录了多少天,多半采用方案A。

我们接着看,刚才知道了如何在SQL里面如何描述连续登录,接下来我们逐步按照题目要求拆解即可:

  • Step1:选择12月的记录,并根据用户iD和登录日期先去重(注:单个用户一天有多行登录数据的情况,只保留1行)
  • Step2:创建辅助列a_rk (每个userID下的日期排序值)
  • Step3:创建辅助列起步时间b_createdTime(用登录日期减去排序值,得到新时间列)
  • Step4:根据起步时间列统计连续登录天数
  • Step5:根据统计结果查询连续登录人数(题目要求连续7天)

Step1:选择12月的记录,并根据用户iD和登录日期先去重(注:单个用户一天有多行登录数据的情况,只保留1行)

select userID,date(from_unixtime(createdTime)) a_createdTime
from user_active_log
where substr(date(from_unixtime(createdTime)),1,7) = '2021-12' # 知识点1:时间戳转为时间字符串格式然后取前7个字符
group by userId,date(from_unixtime(createdTime)) # 知识点2:根据userId,a_createdTime 去重

运行结果如下:

Step2:创建辅助列a_rk (每个userID下的日期排序值)

select userID,a_createdTime,row_number() over(partition by userId order by a_createdTime) a_rk # 知识点3:用row_number() 对每个userID下的a_createdTime进行排名
from
(
select userID,date(from_unixtime(createdTime)) a_createdTime
from user_active_log
where substr(from_unixtime(createdTime),1,7) = '2021-12'
group by userId,a_createdTime) t0

运行结果如下:

Step3:创建辅助列起步时间b_createdTime(用登录日期减去排序值,得到新时间列)

select *,date_sub(a_createdTime,interval a_rk day ) b_createdTime # 知识点4:date_sub 日期减去数字;datediff 日期减日期
from
(
select userID,a_createdTime,row_number() over(partition by userId order by a_createdTime) a_rk
from
(
select userID,date(from_unixtime(createdTime)) a_createdTime
from user_active_log
where substr(from_unixtime(createdTime),1,7) = '2021-12'
group by userId,a_createdTime) t0 )t1

运行结果如下:

Step4:根据起步时间列统计连续登录天数

select userId,b_createdTime,count(1) cts
from
(select *,date_sub(a_createdTime,interval a_rk day ) b_createdTime
from
(
select userID,a_createdTime,row_number() over(partition by userId order by a_createdTime) a_rk
from
(
select userID,date(from_unixtime(createdTime)) a_createdTime
from user_active_log
where substr(from_unixtime(createdTime),1,7) = '2021-12'
group by userId,a_createdTime) t0 ) t1 ) t2 group by userId,b_createdTime having  count(1)>6 # 知识点5:having 用在groupby后做条件筛选

运行结果如下:

Step5:根据统计结果查询连续登录人数(题目要求连续7天)

select count(distinct userId) num_users
from
(select userId,b_createdTime,count(1) cts
from
    (select *,date_sub(a_createdTime,interval a_rk day ) b_createdTime
    from
        (
        select userID,a_createdTime,row_number() over(partition by userId order by a_createdTime) a_rk
        from
            (
            select userID,date(from_unixtime(createdTime)) a_createdTime
            from user_active_log
            where substr(from_unixtime(createdTime),1,7) = '2021-12'
            group by userId,a_createdTime
            ) t0
        ) t1
    ) t2 group by userId,b_createdTime having  count(1)>6
) t3;

运行结果如下:

近N日留存的用户数及留存率

现有用户登录表(user_active_log)一份,里面有2个字段:userID(用户ID),createdTime(登录时间戳),需要统计近1、2、3、5、7、30日留存用户数量及留存率。

本节例题的user_active_log数据及SQL下载:在公众号对话框回复“SQL”即可下载

分析过程:

题目要求的核心是近N日留存,那么我们思考,何为近N日留存呢?

顾名思义,就是指距离某个日期的间隔为N,那么用数据库的语言来表达的话,我们该描述表达近N日留存呢?

我们简化一下数据来考虑这个问题:

构造一个起始日期构成的辅助列,用原始日期减去辅助列的日期,得到一个新数字N,根据这个新数字,结合起始日期来判断某个日期的近N日留存;

日期 辅助列 新数字
2021-12-02 2021-12-01 1
2021-12-03 2021-12-01 2
2021-12-04 2021-12-01 3
2021-12-05 2021-12-01 4
2021-12-06 2021-12-01 5
2021-12-07 2021-12-01 6

知道了如何在SQL里面如何描述连续登录,接下来我们逐步按照题目要求拆解即可:

  • Step1:根据用户id和登录日期先去重
  • Step2:创建新列first_time,获取每个userID下的最早登录日期
  • Step3:创建辅助列delta_time,用登录日期列减去最早登录日期first_time,得到留存天数
  • Step4:按first_time列统计不同留存天数对应的次数和 即 某日的近N日留存数
  • Step5:用某日的近N日留存数除以首日登录人数即留存率

Step1:根据用户id和登录日期先去重

select
       userID,
       date(from_unixtime(createdTime)) a_createdTime
from user_active_log
group by userId,a_createdTime;

运行结果截图如下:

Step2:创建新列first_time,获取每个userID下的最早登录日期

select
       userID,
       a_createdTime,
       first_value(a_createdTime) over(partition by userId order by a_createdTime ) first_time
from
     (
         select userID,date(from_unixtime(createdTime)) a_createdTime
         from user_active_log
         group by userId,a_createdTime
    )t0;

运行结果截图如下:

Step3:创建辅助列delta_time,用登录日期列减去最早登录日期first_time,得到留存天数

select
       userID,
       a_createdTime,
       first_value(a_createdTime) over(partition by userId order by a_createdTime ) first_time,
       datediff(a_createdTime, first_value(a_createdTime) over(partition by userId order by a_createdTime )) delta_time
from
     (
         select userID,date(from_unixtime(createdTime)) a_createdTime
         from user_active_log
         group by userId,a_createdTime
    )t0;

运行结果截图如下:

Step4:按首次登录日期统计不同留存天数对应的次数和 即 某日的近N日留存数

select
    t1.first_time,
    sumcase when t1.delta_time = 1 then 1 else 0 end)  day_1,
    sumcase when t1.delta_time = 2 then 1 else 0 end)  day_2,
    sumcase when t1.delta_time = 3 then 1 else 0 end)  day_3,
    sumcase when t1.delta_time = 5 then 1 else 0 end)  day_5,
    sumcase when t1.delta_time = 7 then 1 else 0 end)  day_7,
    sumcase when t1.delta_time = 30 then 1 else 0 end ) day_30
from
     (
        select
               userID,
               a_createdTime,
               first_value(a_createdTime) over(partition by userId order by a_createdTime ) first_time,
               datediff(a_createdTime, first_value(a_createdTime) over(partition by userId order by a_createdTime )) delta_time
        from
             (
                 select userID,date(from_unixtime(createdTime)) a_createdTime
                 from user_active_log
                 group by userId,a_createdTime
            )t0
    ) t1
group by t1.first_time
order by t1.first_time;

Step5:用某日的近N日留存数除以首日登录人数即留存率

select
    t1.first_time,
    sumcase when t1.delta_time = 1 then 1 else 0 end ) / count(distinct t1.userID)  day_1,
    sumcase when t1.delta_time = 2 then 1 else 0 end ) / count(distinct t1.userID) day_2,
    sumcase when t1.delta_time = 3 then 1 else 0 end ) / count(distinct t1.userID) day_3,
    sumcase when t1.delta_time = 5 then 1 else 0 end ) / count(distinct t1.userID) day_5,
    sumcase when t1.delta_time = 7 then 1 else 0 end ) / count(distinct t1.userID) day_7,
    sumcase when t1.delta_time = 30 then 1 else 0 end )/ count(distinct t1.userID) day_30
from
     (
        select
               userID,
               a_createdTime,
               first_value(a_createdTime) over(partition by userId order by a_createdTime ) first_time,
               datediff(a_createdTime , first_value(a_createdTime) over(partition by userId order by a_createdTime )) delta_time
        from
             (
                 select userID,date(from_unixtime(createdTime)) a_createdTime
                 from user_active_log
                 group by userId,a_createdTime
            )t0
    ) t1
group by t1.first_time
order by t1.first_time;

“每一个不曾起舞的日子,都是对生命的辜负。”各位加油!我们下个系列见

数据分析咨询请扫描二维码

若不方便扫码,搜微信号:CDAshujufenxi

最新资讯
更多
客服在线
立即咨询