网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
(1) 在过去一个月内,曾连续两天活跃的用户
(2) 有人想了解在过去一个月中,不同人才级别用户的活跃频次差异
– 什么数据可以说明该问题?请写出原因和您的思考
– 数据对应的sql是什么?
思路分析
(1) 在过去一个月内,曾连续两天活跃的用户
- 找到过去一个月内所有活跃的用户和日期。
- 计算每个用户相邻两天活跃日期之间的时间差。
- 筛选出时间差为1天的用户。
(2) 有人想了解在过去一个月中,不同人才级别用户的活跃频次差异
- 找到过去一个月内所有活跃的用户和日期。
- 按照用户的职业水平分组,计算每组用户的平均活跃天数。
- 比较不同职业水平用户组的平均活跃天数,以了解它们之间的差异。
答案获取
建议你先动脑思考,动手写一写再对照看下答案,如果实在不懂可以点击下方卡片,回复:大厂sql
即可。
参考答案适用HQL,SparkSQL,FlinkSQL,即大数据组件,其他SQL需自行修改。
加技术群讨论
点击下方卡片关注 联系我进群
或者直接私信我进群
附表
表1:maimai.dau
d | uid | module | active_duration | 列说明 |
---|---|---|---|---|
2020-01-01 | 1 | jobs | 324 | d: 活 跃 的 日 期 uid:用户的唯一编码module:用户活跃模块actre.duration:该模块下对应的活跃时长(单位:s) |
2020-01-01 | 2 | feeds | 445 | |
2020-01-01 | 3 | im | 345 | |
2020-01-02 | 2 | network | 765 | |
2020-01-02 | 3 | jobs | 342 | |
… | … | … | … |
表2:maimai.users
uid | career_level | city | work_length | 列说明 |
---|---|---|---|---|
1 | 中级人才 | 北京 | 4 | uid:用户的唯一编码career level:人才级别 |
2 | 高级人才 | 上海 | 7 | |
3 | 初级人才 | 北京 | 1 | city:用户所在城市work_length:用户工作年限 |
4 | 普通人才 | 平顶山 | 2 | |
… | … | … | … |
-- 建表
-- 表1 dau 记录了每日脉脉活跃用户的uid和不同模块的活跃时长
create or replace temporary view dau(d, uid, module, active_duration) as
values ('2020-01-01', 1, 'jobs', 324),
('2020-01-01', 2, 'feeds', 445),
('2020-01-01', 3, 'im', 345),
('2020-01-02', 2, 'network', 765),
('2020-01-02', 3, 'jobs', 342);
-- 表2 users 脉脉所有用户得一些注册属性
create or replace temporary view users(uid, career_level, city, work_length) as
values (1, '中级人才', '北京', 4),
(2, '高级人才', '上海', 7),
(3, '初级人才', '北京', 1),
(4, '普通人才', '平顶山', 2);
文末SQL小技巧
提高SQL功底的思路。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新**