拼多多2020学霸批数据分析师笔试 —— SQL整理（2019.7.28）

半个月过去，终于安装好Mysql，可以开始实操、解决和总结「拼多多学霸批」的SQL题了。真题还是非常珍贵的，难得和业务需求结合在一起。

加之这周，了解了「窗口函数」，比半个月前的我，又有多一点不一样的思路。

数据是自己生成的，代码是自己码的。如有错误，请评论指正，感谢！

❤️「更多完整真题」
拼多多2020学霸批数据分析师笔试题 (2019.7.28)

---

一、第一题

• 表ord（用户订单表）
  

• 表act_usr（活动参与用户表）
  

（1）创建表act_output，保存以下信息：
区分不同活动，统计每个活动对应所有用户在报名参与活动之后产生的总订单金额、总订单数（一个用户只能参加一个活动）。

CREATE TABLE act_output AS
SELECT a.act_id, SUM(o.ord_amt) AS Total_amount, COUNT(o.ord_id) AS Total_order
FROM ord AS o INNER JOIN act_usr AS a ON o.user_id = a.user_id
WHERE o.create_time >= a.create_time
GROUP BY a.act_id;

（2）加入活动开始后每天都会产生订单，计算每个活动截止当前（2019-08-12）平均每天产生的订单数，活动开始时间假设为用户最早报名时间。

SELECT a.act_id, TIMESTAMPDIFF(DAY,MIN(a.create_time),'2019-08-12') AS time_interval,
	ROUND(COUNT(o.ord_id)/TIMESTAMPDIFF(DAY,MIN(a.create_time),'2019-08-12'),3) AS avg_order
FROM ord AS o INNER JOIN act_usr AS a ON o.user_id = a.user_id
WHERE o.create_time >= a.create_time
GROUP BY a.act_id;

---

二、第二题

某网络用户访问操作流水表 tracking_log，

（1）计算网站每天的访客数以及他们的平均操作次数；

SELECT log_time, COUNT(DISTINCT user_id) AS user_num, 
	COUNT(opr_type)/COUNT(DISTINCT user_id) AS avg_opr
FROM tracking_log
GROUP BY log_time;

（2）统计每天符合A操作后B操作的操作模式的用户数，即要求AB相邻。

• 「思路」
  i）按照天分组；
  ii）在每一天，判断同一个user的操作是否连续。也就是说，在相邻行比较的时候，不仅要判断是否AB相连，还要保证是对于同一个user。比如，user2 操作A，user3 操作B，哪怕相连，也不满足。
  iii）因为要判断相邻行，所以用row_numbers在每一组内计算行数。

step1:

-- 组内统计行数

CREATE VIEW view1 AS 
(SELECT user_id, log_time, opr_type, 
	row_number() over (PARTITION BY log_time ORDER BY user_id) AS flag FROM tracking_log
    );

step 2:

SELECT t1.log_time, COUNT(DISTINCT t1.user_id) AS count
FROM view1 AS t1 INNER JOIN view1 AS t2
ON t1.user_id = t2.user_id AND t1.log_time = t2.log_time 
WHERE t1.opr_type = 'A' AND t2.opr_type = 'B' AND t1.flag +1 = t2.flag
GROUP BY t1.log_time;

其实如果想看，筛选前的中间过程：

SELECT * 
FROM view1 AS t1 INNER JOIN view1 AS t2
ON t1.user_id = t2.user_id AND t1.log_time = t2.log_time 
WHERE t1.opr_type = 'A' AND t2.opr_type = 'B' AND t1.flag +1 = t2.flag;

也就是说，只有这一个连续操作是符合条件的。

• 完整代码

CREATE VIEW view1 AS 
(SELECT user_id, log_time, opr_type, 
	row_number() over (PARTITION BY log_time ORDER BY user_id) AS flag FROM tracking_log
    );

SELECT t1.log_time, COUNT(DISTINCT t1.user_id) AS count
FROM view1 AS t1 INNER JOIN view1 AS t2
ON t1.user_id = t2.user_id AND t1.log_time = t2.log_time 
WHERE t1.opr_type = 'A' AND t2.opr_type = 'B' AND t1.flag +1 = t2.flag
GROUP BY t1.log_time;

---

三、第三题

根据第2题的用户访问操作流水表 tracking_log，

（1）计算网络每日新增访客表；

• 如果只是计算，每日新增访客数量

SELECT t4.log_time, COUNT(DISTINCT t4.user_id) AS new_user_count
FROM tracking_log AS t4
WHERE t4.user_id NOT IN 
	(SELECT t3.user_id FROM tracking_log AS t3
		WHERE t3.log_time < t4.log_time)
GROUP BY t4.log_time
ORDER BY t4.log_time;

⚠️ 注意 ： GROUP BY和DISTINCT 都有起到去重作用。因为一个新user出现的那一天，可能有多个操作。比如如下的原始数据中，对于2019-05-01，user_id = 1 是新增访客，前三条记录都是满足条件的，都会被选出来，因为只用user_id和log_time来判断，他们都是重复记录。

• 如果要列出新增访客的具体名字。

「思路」一致，
i）「在这次访问之前没有访问过该网站」用NOT IN，同上种情况。
ii）用row_numbers()对整行相同的重复记录，去重。

CREATE VIEW view2 AS 
SELECT t4.log_time, t4.user_id AS new_user,
	 row_number() OVER (PARTITION BY t4.log_time, t4.user_id) AS rn
FROM tracking_log AS t4
WHERE t4.user_id NOT IN 
	(SELECT t3.user_id FROM tracking_log AS t3
		WHERE t3.log_time < t4.log_time) ;

SELECT log_time, new_user FROM view2 WHERE rn = 1;

下图是中间过程，view2，未去重之前。

（2）新增访客的第2日、第30日回访比例。

• 「思路」
  i）增加一列first_log，此列存着每个用户最早登录时间；用窗口函数实现；去重，用户同一天多次登录仅算一次访客量（存疑，待确认）。
  ii）增加一列by_day = log_time - first_log ，计算留存时间；
  iii) 统计各留存天数的总人数。i.e. day_0的访客量就是新增访客量，day_2的访客量就是两日留存的量。
  iv）计算各留存天数的留存率。

留存率的概念是,

• 如果用户在5月1日第一次使用我们的产品。
• 如果5月2日他还使用了,那么5月1日的“一日留存”加一.
• 同理5月3日他又使用了，5月1日的“两日留存”加一.
• 5月1日的“一日留存率”=5月1日“一日留存” / 5月1日新增用户数量.

• 代码实现

step1:

-- 增加一列first_log

CREATE VIEW view3 AS
SELECT user_id, log_time,
	MIN(log_time) OVER (PARTITION BY user_id ORDER BY log_time) AS first_log,
    row_number() OVER (PARTITION BY user_id, log_time) AS t
FROM tracking_log;

step2: 去重，并增加一列by_day

CREATE VIEW view4 AS
SELECT *, TIMESTAMPDIFF(DAY, first_log, log_time) AS by_day
FROM view3
WHERE t=1;

step 3: 统计新增访客量，2日留存，30日留存

CREATE VIEW view5 AS
SELECT first_log,
	sum(case when by_day = 0 then 1 else 0 end) AS day_0,
    sum(case when by_day = 2 then 1 else 0 end) AS day_2,
    sum(case when by_day = 30 then 1 else 0 end) AS day_30
FROM view4
GROUP BY first_log;

step4 ： 计算留存率（回头访客率）

SELECT first_log, day_2/day_0 AS day2_return, 
	day_30/day_0 AS day30_return FROM view5;

一点疑问

其实我想问，新增访客定义如何？ 同一个用户一天内访问并操作了好几次，是按照user_id还是操作次数来统计？

第二问和第三问里，我都去重了。但参考的博客中，没有去重。

求指点。

如若有其他错误，也请一并指出，谢谢～