lead 函数 ——《访问日期之间最大的空档期》LeetCode Plus 会员专享题【详细解析】Hive / MySQL

报告，今天也有好好学习

已于 2022-02-09 15:56:09 修改

阅读量5k

点赞数 1

分类专栏： SQL刷题大全（Hive / MySQL）数据库文章标签： leetcode hive mysql

于 2021-12-22 23:33:50 首次发布

本文链接：https://blog.csdn.net/qq_44186838/article/details/122097257

版权

数据库同时被 2 个专栏收录

19 篇文章 18 订阅

订阅专栏

SQL刷题大全（Hive / MySQL）

16 篇文章 27 订阅

订阅专栏

大家早上好，本人姓吴，如果觉得文章写得还行的话也可以叫我吴老师。欢迎大家跟我一起走进数据分析的世界，一起学习！

感兴趣的朋友可以关注我的数据分析专栏，里面有许多优质的文章跟大家分享哦。
另外也欢迎大家关注我的SQL刷题专栏，里面有我分享的高质量SQL题，以及详细的解析。

本篇博文又是我的SQL题分享环节，为了记录一下自己的做题过程，以及防止后续力扣会员过期无法再次查看题目，所以我每天都会给大家选出一道质量较高的SQL题目发表到博客上，并且会加上自己的一些解题技巧或实用知识点，希望对大家也能有所帮助。

那么今天给大家分享的题是LeetCode的第1709题——访问日期之间最大的空档期。

下面是问题的详细描述。

问题描述

表：UserVisits

+-------------+------+
| Column Name | Type |
+-------------+------+
| user_id     | int  |
| visit_date  | date |
+-------------+------+
该表没有主键。
该表包含用户访问某特定零售商的日期日志。

假设今天的日期是 ‘2021-1-1’ 。

编写 SQL 语句，对于每个 user_id ，求出每次访问及其下一个访问（若该次访问是最后一次，则为今天）之间最大的空档期天数 window 。

返回结果表，按用户编号 user_id 排序。

查询格式如下示例所示：

UserVisits 表：
+---------+------------+
| user_id | visit_date |
+---------+------------+
| 1       | 2020-11-28 |
| 1       | 2020-10-20 |
| 1       | 2020-12-3  |
| 2       | 2020-10-5  |
| 2       | 2020-12-9  |
| 3       | 2020-11-11 |
+---------+------------+
结果表：
+---------+---------------+
| user_id | biggest_window|
+---------+---------------+
| 1       | 39            |
| 2       | 65            |
| 3       | 51            |
+---------+---------------+
对于第一个用户，问题中的空档期在以下日期之间：
    - 2020-10-20 至 2020-11-28 ，共计 39 天。
    - 2020-11-28 至 2020-12-3 ，共计 5 天。
    - 2020-12-3 至 2021-1-1 ，共计 29 天。
由此得出，最大的空档期为 39 天。
对于第二个用户，问题中的空档期在以下日期之间：
    - 2020-10-5 至 2020-12-9 ，共计 65 天。
    - 2020-12-9 至 2021-1-1 ，共计 23 天。
由此得出，最大的空档期为 65 天。
对于第三个用户，问题中的唯一空档期在 2020-11-11 至 2021-1-1 之间，共计 51 天。

解题思路

按user_id分组
日期递减，默认降序排列，lead最后字段取’2021-01-01’为最大日期
合并即可

代码实现

select user_id,max(diff) as biggest_window
from(
    select user_id,datediff(
        lead(visit_date,1,'2021-01-01') over(partition by user_id order by visit_date),visit_date
    ) as diff
    from uservisits
) tmp
group by user_id