利用列表推导式法建立附表进行识别 current_users = ['Niuniu', 'Niumei', 'GURR', 'LOLO'] new_users = ['GurR', 'Niu Ke Le', 'LoLo', 'Tuo Rui Chi'] # 列表推导式思路——先将元素全部小写，再在最终结果返回对应下标位置元素 lowercase_cu = [item.lower() for item in current_users] lowercase_nu = [item.lower() for item in new_users] for i in range(len(lowerca...

select u_i.uid as uid, # count(NULL)记0，否则没数据不显示 count(distinct act_month) as act_month_total, # 总活跃月份数 count(distinct case when year(act_time) = 2021 # 2021年活跃天数 then act_day else null end) as act_days_2021, count(distinct c...

import pandas as pd from datetime import timedelta nowcoder = pd.read_csv("nowcoder.csv") # 转时间 nowcoder["date"] = pd.to_datetime(nowcoder["date"]) # 新建年月列date1 nowcoder["date1"] = nowcoder["date"].dt.strftime("%Y-%m") print(nowcoder) # 筛选时间在2021年12月的数据于新表data data = nowcoder[nowcoder["date1"] ...

import pandas as pd df = pd.read_csv('nowcoder.csv', sep=',') df['year-month-day'] = pd.to_datetime(df['date']).dt.date # 如果df表中没有'year-month-day'字段列，则新建一个该字段列 num = df.groupby(['result','year-month-day'])['result'].count() # 分组聚合运算，两个字段作为分组依据，对对应结果进行聚合运算 print(num)

import pandas as pd # 读文件 df = pd.read_csv('nowcoder.csv', sep=',') # 转换日期格式 df['date'] = pd.to_datetime(df['date']).dt.date # .dt.date得到精确到天的日期 # 拷贝原表于新表df1 df1 = df.copy() # 将新表的时间+1天（往后推一天） df1['date'] = df1['date'] + pd.Timedelta(days=1) # 将原表df和新表合并得到新表total，内连接取交集，键/连接字段 是 userid和date total = ...

import pandas as pd df = pd.read_json('Nowcoder.json', dtype=dict) pd.set_option('display.width', 300) # 设置字符显示宽度 pd.set_option('display.max_rows', None) # 设置显示最大行 pd.set_option('display.max_columns', None) print(pd.DataFrame(df))

import pandas as pddf = pd.read_csv('Nowcoder.csv', sep=",")pd.set_option('display.width', 300)         # 设置字符显示宽度pd.set_option('display.max_rows', None)     # 设置显示最大行pd.set_option('display.max_columns', None)  # 设置显示最大列print(df.query("Graduate_year!=2018 & Lan...

# 第一步：取出用户、购物日期、购物次数的 表 select distinct user_id, sales_date d1, dense_rank() over(partition by user_id order by sales_date) rk from sales_tb # 第二步：判断日期是否连续→如果连续的话，用sales_date-rank得到的日期是一样的且都是同一用户 select *, row_number() over(partition by a.user_id,a.d2 order by a.d1) rk2 from ( select ...

# 高难度SQL试卷得分平均值大于80并且是7级的红名大佬（名单） (select ui.uid from exam_record er join user_info ui on er.uid = ui.uid join examination_info ei on er.exam_id = ei.exam_id where tag = 'SQL' and difficulty = 'hard' and level = '7' group by ui.uid having avg(er.score) > 80) # 最终结果 select a.uid, a.exam_cnt...

# 找到昵称以『牛客』开头『号』结尾、成就值在1200~2500之间，且最近一次活跃（答题或作答试卷）在2021年9月的用户信息。 select ui.uid, ui.nick_name, achievement from user_info ui left join exam_record er on ui.uid = er.uid left join practice_record pr on ui.uid = pr.uid where nick_name like '牛客%号' and achievement between 1200 and 2500 ...

select round(sum(订单金额)/count(*),1) avg_amount, round(sum(优惠金额)/count(*),1) avg_cost from ( select oo.order_id, date(event_time), total_amount 订单金额, sum(price*cnt) 商品总金额, sum(price*cnt)-total_amount 优惠金额 from tb_order_overall oo join tb_...

# 1. 筛选出各用户符合条件的签到日期，得到<签到表> SELECT * FROM tb_user_log where date(in_time) between '2021-07-07' and '2021-10-31' and artical_id=0 and sign_in=1; # 2. 对签到表进行排序。使用窗口函数row_number() # 以uid分组 # 按照date(in_time)排序 SELECT uid, date(in_time) dt, row_number() over (partition by uid order b...

select b.dt, count(b.uid) dau, round(count(a.uid)/count(b.uid),2) uv_new_ratio from ( select uid, min(date(in_time)) dt from tb_user_log group by uid ) a # 新用户首次登陆日期 right join ( select uid, date(in_time) dt from t...

SELECT user_grade, ROUND(COUNT(uid) / MAX(user_cnt), 2) as ratio FROM ( SELECT uid, user_cnt, CASE WHEN last_dt_diff >= 30 THEN "流失用户" WHEN last_dt_diff >= 7 THEN "沉睡用户" WHEN first_dt_diff < 7 THEN "新晋用户" ...