用recursive生成日期递归，为了保证即使跨多天也能显示所有活跃天数 with recursive t as ( #活跃用户表 select uid,date(in_time) as in_dt,date(out_time) as out_dt from tb_user_log union all select uid,in_dt,date_sub(out_dt,interval 1 day) from t where out_dt>in_dt ) select t.out_dt as dt, count(distinct t.uid) as dau, round(count(...

绕来绕去终于想到比较清晰的方法了核心思路：用每个用户的最小日期、最大日期来形成区间，即表b，来框定用户等级。难点：1、对于题中用户等级的理解：用户等级标准简化为：忠实用户(近7天活跃过且非新晋用户)、新晋用户(近7天新增)、沉睡用户(近7天未活跃但更早前活跃过)、流失用户(近30天未活跃但更早前活跃过)。其实就是把时间分区间，共分成3个区间：今日——第7天——第30天——大于30天                                                max_dt<——>min_dt 2、uid、min_dt、max_dt、今日：select max(dt)...

改进：针对即使是跨多天的情况也没问题！使用到recursive 递归函数 with recursive b as ( #活跃用户表。使用递归函数，显示出用户的所有in_time-进入时间和out_time-离开时间的日期（即使跨多天，也没问题！） select uid,date(in_time) as dt,date(out_time) as ddt from tb_user_log union all select uid,dt,date_sub(ddt,interval 1 day) from b where ddt>dt ) select a.min_dt as dt, r...

import sys for line in sys.stdin: a = line.split() print(int(a[0]) + int(a[1])) import pandas as pd df=pd.read_csv('sales.csv') #计算RFM值 df['R_Quartile']=pd.qcut(df['recency'],4,['4','3','2','1']).astype('str') df['F_Quartile'] = pd.qcut(df['frequency'],4,["1", "2", &qu...

import sys for line in sys.stdin: a = line.split() print(int(a[0]) + int(a[1])) import pandas as pd #读取文件 df=pd.read_csv('nowcoder.csv') #把date列转换日期格式，并且在表中添加一列，列名year-month-day df['year-month-day']=pd.to_datetime(df['date']).dt.date #把date列转换日期格式，并赋值给date列（即覆盖） df['date']=pd.to_datetime(...