adddays函数_clickhouse之连续消费用户和漏斗函数案例实践

目录

本篇主要内容

一、clickhouse连续消费用户的sql分析

二、使用漏斗函数 windowFunnel，分析用户操作行为，计算转化率

clickhouse连续消费用户的sql分析

使用漏斗函数 windowFunnel，分析用户操作行为，计算转化率

---

本篇主要内容

一、clickhouse连续消费用户的sql分析

二、使用漏斗函数 windowFunnel，分析用户操作行为，计算转化率

clickhouse连续消费用户的sql分析

1)准备好数据   在本地  linux01   /data/user.csv

a,2017-02-05,200
a,2017-02-06,300
a,2017-02-07,200
a,2017-02-08,400
a,2017-02-10,600
b,2017-02-05,200
b,2017-02-06,300
b,2017-02-08,200
b,2017-02-09,400
b,2017-02-10,600
c,2017-01-31,200
c,2017-02-01,300
c,2017-02-02,200
c,2017-02-03,400
c,2017-02-10,600
a,2017-03-01,200
a,2017-03-02,300
a,2017-03-03,200
a,2017-03-04,400
a,2017-03-05,600

2)clickhouse 中创建表   【表引擎为MergeTree ，指定主键为name，时间，排序字段为name，时间】

create table tb_shop
(name String,
ctime Date,
money Float64
)engine=MergeTree
primary key(name,ctime)
order by(name,ctime);

3)导入数据   

clickhouse-client -q "INSERT INTO default.tb_shop FORMAT CSV" < user.csv

也可以使用     cat user.csv | clickhouse-client -q "INSERT INTO default.tb_shop FORMAT CSV";  导入数据

注：需要在本地linux01 /data/  下 执行该命令

4)分组，查询每个人 对应的消费时间(数组)、编号数组

select name,
groupArray(ctime) arr,
arrayEnumerate(arr)  arr2
from tb_shop
group by name；

┌─name─┬─arr─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┬─arr2───────────────────┐
│ b    │ ['2017-02-05','2017-02-06','2017-02-08','2017-02-09','2017-02-10']                                                                  │ [1,2,3,4,5]            │
│ c    │ ['2017-01-31','2017-02-01','2017-02-02','2017-02-03','2017-02-10']                                                                  │ [1,2,3,4,5]            │
│ a    │ ['2017-02-05','2017-02-06','2017-02-07','2017-02-08','2017-02-10','2017-03-01','2017-03-02','2017-03-03','2017-03-04','2017-03-05'] │ [1,2,3,4,5