大数据培训连续登录经典面试案例

​

 一、简介

连续登录问题，不管是数据研发、还是数据分析，都是一个经典面试 SQL 题，本文从易到难，简单拓展，举一反三。

二、表结构

注：去过重的。

CREATE TABLE `user_login`(

`id` int COMMENT '用户主键',

`dt` string COMMENT '登录日期')

三、表数据

user_login.id user_login.dt

1001 2021-12-12

1002 2021-12-12

1001 2021-12-13

1001 2021-12-14

1001 2021-12-16

1002 2021-12-16

1001 2021-12-19

1002 2021-12-17

1001 2021-12-20

四、题目： 求出连续 3 天登录的用户 ID

方法一：自关联

SELECT

tmp2.id

FROM

(

SELECT

tmp.id,

tmp.dt

FROM

(

SELECT

ul1.id,

ul1.dt

FROM

user_login ul1

INNER JOIN

user_login ul2

ON ul1.id = ul2.id

WHERE

ul2.dt BETWEEN date_sub(ul1.dt, 2) AND ul1.dt

) tmp

GROUP BY

tmp.id,

tmp.dt

HAVING

count(1) = 3

) tmp2

group by

tmp2.id

详解：

​

 1：因为是固定的 3 天，所以可以采用主键自关联方法，过滤条件为副表 ul2 的登录时间在主表登录时间和主表登录时间减去两天的区间内_大数据培训

2：然后根据主表的 id,和登录时间分组，分组后数量正好是 3 天的，说明连续三天时间都有登录

3：根据步骤二的结果去重，获取结果

​

方法二：巧用窗口函数 row_number

SELECT

tmp2.id

FROM

(

SELECT

id,

date_sub(dt, rn) dt_line

FROM

(

SELECT

id,

dt,

row_number () over (PARTITION BY id ORDER BY dt) rn

FROM

user_login

) tmp

GROUP BY

id,

date_sub(dt, rn)

HAVING

count(1) >= 3

) tmp2

group by

tmp2.id

详解：

1：利用 row_number 提供一个自增序列

2：如果前后连续，那么登录日期减去步骤一提供的序列号结果相等

3：根据步骤二提供的日期基准，和用户 id 分组，过滤出大于等于 3 的结果

4：根据步骤三的结果去重，获取结果

方法三：采用窗口函数 lag(lead)

SELECT

tmp2.id

FROM

(

SELECT

id,

IF (datediff(dt, lag_dt) = 2, 1, 0) flag

FROM

(

SELECT

id,

dt,

lag (dt, 2, '0000-00-00') over (PARTITION BY id ORDER BY dt) lag_dt

FROM

user_login

) tmp

) tmp2

WHERE

tmp2.flag = 1

GROUP BY

tmp2.id

详解：

1：因为是固定的 3 天，所以可以采用 lag(lead)方法，求出前面第二个的日期与当前的日期差

2：根据步骤一的结果，判断如果日期差等于 2，则是连续登录

3：根据步骤二的结果过滤分组，获取结果

方法四： 比对相邻数据日期，可扩展为组别划分

SELECT

id

FROM

(

SELECT

id,

max_dt_line

FROM

(

SELECT

id,

dt,

lag_dt,

max(dt_line) over (PARTITION BY id ORDER BY dt) max_dt_line

FROM

(

SELECT

id,

dt,

lag_dt,

IF (datediff(dt, lag_dt) = 1,"0",dt) dt_line

FROM

(

SELECT

id,

dt,

lag (dt, 1, '000-00-00') over (PARTITION BY id ORDER BY dt) lag_dt

FROM

user_login

) tmp

) tmp1

) tmp2

GROUP BY

id,

max_dt_line

HAVING

count(1) >= 3

) tmp4

GROUP BY

id;

详解：

1：利用 lag（lead） 比较当前日期与上一次登录日期的差

2：如果日期差为 1，则连续登录，记为 0，否则记录当前登录日期

3：利用窗口函数 max，获取用户登录基准日期

4：根据基准日期分组，过滤出大于等于 3 天的数据

5：根据步骤四结果去重，获得最后结果

五、扩展总结

连续登录问题，其实可扩展为划分组别的问题。

如果是时间不固定，比如求每个用户最大连续登录天数，那么方法一和三就失效了。

如果仅仅是题目要求，求固定连续登录天数，那么个人更倾向于方法三。

文章来源于数据仓库与 Python 大数据

推荐阅读：

大数据开发之数仓建模

大数据开发之数据仓库架构分析

大数据开发 Spark 模块之 SparkSQL

大数据开发之 Spark 入门

​