Hive計算最大連續登陸天數
強哥說他發現了財富密碼，最近搞了一套股票演算法，其中有一點涉及到股票連續漲停天數的計算方法，我們都知道股票周末是不開市的，這裡有個斷層，需要一點技巧。我問是不是時間序列，他說我瞎扯，我也知道自己是瞎扯。問他方法，他竟然不告訴我，這麼多年的兄弟情誼算個屁。真當我沒他聰明嗎，哼！
靠人不如靠自己，我決定連夜研究一下在Hive裡面計算最大連續天數的計算方法。
一、背景
在網站平台類業務需求中用戶的「最大登陸天數」，需求比較普遍。
原始數據：
u0001 2019-10-10
u0001 2019-10-11
u0001 2019-10-12
u0001 2019-10-14
u0001 2019-10-15
u0001 2019-10-17
u0001 2019-10-18
u0001 2019-10-19
u0001 2019-10-20
u0002 2019-10-20
說明：數據是簡化版，兩列分別是user_id,log_in_date。現實情況需要從採集數據經過去重，轉換得到以上形式數據。
我們先建表並且將數據導入Hive：
create table test.user_log_1 (user_id string, log_in_date string) row format delimited fields terminated by ' ';
load data local inpath '/var/lib/hadoop-hdfs/data/user_log.txt' into table test.user_log_1 ;
查看一下數據：
hive> select * from test.user_log_1 ;
OK
u0001 2019-10-10
u0001 2019-10-11
u0001 2019-10-12
u0001 2019-10-14
u0001 2019-10-15
u0001 2019-10-17
u0001 2019-10-18
u0001 2019-10-19
u0001 2019-10-20
u0002 2019-10-20
Time taken: 0.076 seconds, Fetched: 10 row(s)
二、演算法
核心是按訪問時間排序，登陸時間列減去排序後的序列號，得到一個日期值，按這個值分組計數即可。
1. 第一步：排序
按照user_id分組，並且按照日期log_in_date排序：
select user_id, log_in_date, row_number() over(partition by user_id order by log_in_date) as rank from test.user_log_1;
結果：
u0001 2019-10-10 1
u0001 2019-10-11 2
u0001 2019-10-12 3
u0001 2019-10-14 4
u0001 2019-10-15 5
u0001 2019-10-17 6
u0001 2019-10-18 7
u0001 2019-10-19 8
u0001 2019-10-20 9
u0002 2019-10-20 1
這裡可以看出，u0001這個用戶最大連續登錄天數是4天，使用後面計算方法計算後可以驗證。
2. 第二步：第二列與第三列做日期差值
可以看出規律，日期小的，行號也小；如果將日期跟行號做差值，連續登錄的差值應該是一樣的。
select user_id, date_sub(log_in_date, rank) dts from (select user_id, log_in_date, row_number() over(partition by user_id order by log_in_date) as rank from test.user_log_1)m;
結果：
u0001 2019-10-09
u0001 2019-10-09
u0001 2019-10-09
u0001 2019-10-10
u0001 2019-10-10
u0001 2019-10-11
u0001 2019-10-11
u0001 2019-10-11
u0001 2019-10-11
u0002 2019-10-19
顯然可以看出，最大連續連續登錄是4次。
3. 第三步:按第二列分組求和
select user_id, dts, count(1) num from (select user_id, date_sub(log_in_date, rank) dts from (select user_id, log_in_date, row_number() over(partition by user_id order by log_in_date) as rank from test.user_log_1)m)m2 group by user_id, dts;
結果：
u0001 2019-10-09 3
u0001 2019-10-10 2
u0001 2019-10-11 4
u0002 2019-10-19 1
4. 第四步：求最大次數
已經算出了，每個用戶連續登錄天數序列，接下取每個用戶最大登錄天數最大值即可：
select user_id, max(num) from (select user_id, dts, count(1) num from (select user_id, date_sub(log_in_date, rank) dts from (select user_id, log_in_date, row_number() over(partition by user_id order by log_in_date) as rank from test.user_log_1)m)m2 group by user_id, dts)m3 group by user_id;
結果跟我們的預期是一致的，用戶u0001最大登錄天數是4。
u0001 4
u0002 1
三、擴展（股票最大漲停天數）
我們知道股票市場，比如咱們的A股，周末是不開盤的，那麼一隻股票如果上周五漲停，本周一接著漲停，這算是連續2天漲停，使用上面這種方法是不行的，使用lead函數試試：
select user_id, log_in_date, lead(log_in_date) over(partition by user_id order by log_in_date) end_date from test.user_log_1;
結果
u0001 2019-10-10 2019-10-11
u0001 2019-10-11 2019-10-12
u0001 2019-10-12 2019-10-14
u0001 2019-10-14 2019-10-15
u0001 2019-10-15 2019-10-17
u0001 2019-10-17 2019-10-18
u0001 2019-10-18 2019-10-19
u0001 2019-10-19 2019-10-20
u0001 2019-10-20 NULL
u0002 2019-10-20 NULL
哈哈，是不是有思路了。
思路：上面結果一共有3列，第一列是uid，通過lead函數，後面兩列都是日期，那麼兩列日期都取值周一到周五之間，也就是說數據裡面只有工作日日期，沒有周末的數據，可以提前過濾使得數據滿足，既然要連續，那麼：
- 如果第三列的日期，減去第二列的日期，
差值等於1，顯然是連續的； - 如果第三列的日期，減去第二列的日期，
差值等於3，但是第三列日期是星期一，那麼也算是連續了；
以上兩種條件綜合，就能計算出股票的最大連續漲停天數了，你學廢了嗎。
猜你喜歡
