牛客SQL—大厂(七大场景)面试真题

SQL 大厂面试真题篇 ​01 某音短视频 某音短视频 SQL1 各个视频的平均完播率 描述: 用户-视频互动表tb_user_video_log id uid video_id start_time end_time if_follow if_like if_retweet comment_id 1 101 2001 2021-10-01 10:00:00 2021-10-01 10:00:30 0 1 1 NULL .. 阅读详情

一、某音短视频

-- 各个视频的平均完播率
select t1.video_id,
round(count(if(timestampdiff(second,start_time,end_time) >= duration,1,null)) / count(start_time),3) as avg_comp_play_rate
from tb_user_video_log t1
join tb_video_info t2 using(video_id)
where year(start_time) = '2021'
group by t1.video_id
order by avg_comp_play_rate desc;
-- 平均播放进度大于60%的视频类别
select tag,
concat(round(avg_play_progress*100, 2), '%') avg_play_progress from(
select tag,
avg(case when timestampdiff(second, start_time,end_time)>duration then 1
	 else timestampdiff(second, start_time,end_time)/duration end) avg_play_progress
from tb_user_video_log t1
join tb_video_info t2 using(video_id)
group by tag) t
where avg_play_progress>0.6
group by tag
order by avg_play_progress desc;
-- 每类视频近一个月的转发量/率
select tag, round(retweet_cut/play_num, 3) retweet_rate from(
select tag,
sum(if_retweet) retweet_cut,
count(*) play_num,
start_time,
date_add(max(date(start_time)) over(),interval -29 day) min_date,
max(start_time) over() max_date
from tb_user_video_log t1
join tb_video_info t2 
using(video_id)
group by tag) t
where start_time between min_date and max_date
group by tag
order by retweet_rate desc;

-- 每个创作者每月的涨粉率及截止当前的总粉丝量
select author, month,fans_growth_rate, sum(t_fans) over(partition by author order by author, month) as total_fans
from (select author, month, round(sum(new_if_follow)/count(*), 3) as fans_growth_rate, 
     sum(new_if_follow) as t_fans
     from (select a.video_id, b.author, date_format(a.start_time, '%Y-%m') as month, 
          if(a.if_follow=2, -1, a.if_follow) as new_if_follow
          from tb_user_video_log a 
          join tb_video_info b on a.video_id = b.video_id
          where year(a.start_time)='2021') a
     group by author, month) a
order by author, total_fans;
-- 国庆期间每类视频点赞量和转发量
WITH new AS(
    SELECT t2.tag,DATE(t1.start_time) as dt,
    sum(t1.if_like) as like_cnt,sum(t1.if_retweet) as retweet_cnt
    FROM tb_user_video_log AS t1 
    LEFT JOIN tb_video_info AS t2 USING(video_id)
    WHERE DATE(t1.start_time) BETWEEN '2021-09-25' and '2021-10-03'
    GROUP BY t2.tag,dt
    ORDER BY dt)
SELECT * FROM(
    SELECT tag,dt,
    sum(like_cnt) over(partition by tag order by dt rows 6 preceding) AS sum_like_cnt_7d,
    max(retweet_cnt) over(partition by tag order by dt rows 6 preceding) AS retweet_cnt 
    FROM new) AS t
WHERE t.dt BETWEEN '2021-10-01' and '2021-10-03'
ORDER BY t.tag DESC,t.dt;
-- 近一个月发布的视频中热度最高的top3视频
SELECT
	t1.video_id,
	round((100 * t1.play_rate + 5 * t1.likes + 3 * t1.comments + 2 * t1.retweets )*(1 /(t1.days + 1 )),0 ) AS hot_index 
from (
select a.video_id,
	sum(if(TIMESTAMPDIFF(SECOND,start_time,end_time)>= duration,1,0))/count(a.video_id) play_rate, 
	sum(if_like) likes,count(comment_id) comments,sum(if_retweet) retweets,
    DATEDIFF((select max(end_time) from tb_user_video_log), max(end_time)) days
	from tb_user_video_log a
	inner join tb_video_info b
	on a.video_id = b.video_id
	WHERE DATEDIFF(DATE((SELECT MAX(end_time) FROM tb_user_video_log)), DATE(release_time)) <= 29
	group by a.video_id) t1
order by hot_index desc
limit 3;

二、用户增长场景(某度信息流)

--  2021年11月每天的人均浏览文章时长
select
  date_format(in_time, '%Y-%m-%d') dt,
  round(sum(timestampdiff(second, in_time, out_time))/count(distinct uid), 1) avg_viiew_len_sec
from tb_user_log
where
  date_format(in_time, '%Y%m')=202111 and artical_id !=0
group by dt
order by avg_viiew_len_sec;
-- 每篇文章同一时刻最大在看人数
select artical_id,max(cnt) max_uv from 
(select artical_id,
sum(num) over (partition by artical_id order by dt asc,num desc) as cnt
from
(select artical_id,in_time dt,1 num from tb_user_log
where artical_id != 0
union all 
select artical_id,out_time dt,-1 num from tb_user_log
where artical_id != 0 ) as a) as b
group by artical_id
order by max_uv desc;
-- 2021年11月每天新用户的次日留存率
select a.dt, round(count(b.uid)/count(a.uid), 2) uv_left_rate from(
-- 求最小活跃日期
select uid, min(date_format(in_time, '%Y-%m-%d')) dt
from tb_user_log
group by uid) a
left join
-- 求所有活跃日期
(select uid, date_format(in_time, '%Y-%m-%d') dt
from tb_user_log
union
select uid, date_format(out_time, '%Y-%m-%d') dt
from tb_user_log) b
on a.uid=b.uid and a.dt=date_sub(b.dt, interval 1 day)
where date_format(a.dt,"%Y-%m")='2021-11'
group by dt;

-- 统计活跃间隔对用户分级结果
with temp as 
(
select 
(
    case when datediff('2021-11-04',first_in)<7 then '新晋用户'
    when datediff('2021-11-04',first_in)>=7 and 
    datediff('2021-11-04',last_in)<7 then '忠实用户'
    when datediff('2021-11-04',last_in)>=30 then '流失用户'
    else '沉睡用户' end
) as user_grade
from
 (
select
      uid,
      date(min(in_time)) as first_in,
      date(max(out_time)) as last_in
 from tb_user_log
 group by uid
) t1 
)

select 
user_grade,
round(count(user_grade)/
     (select count(*) from temp)
      ,2)as ratio
from temp
group by user_grade
order by ratio desc;
-- 每天的日活数及新用户占比
select t1.dt, dau, ifnull(round(uv/dau, 2), 0) uv_new_ratio from
(select dt, count(distinct uid) dau from(
-- 求所有活跃日期
select uid, date_format(in_time, '%Y-%m-%d') dt
from tb_user_log
union
select uid, date_format(out_time, '%Y-%m-%d') dt
from tb_user_log) b
group by dt) t1
left join 
(select dt, count(distinct uid) uv from(
-- 求最小活跃日期
select uid, min(date_format(in_time, '%Y-%m-%d')) dt
from tb_user_log
group by uid) a
group by dt) t2
on t1.dt=t2.dt
order by dt;
-- 连续签到领金币
select uid, month, sum(coin) coin from(
select uid, month, dt,
(case rk%7 when 0 then 7
		  when 3 then 3
          else 1 end) coin from(
select t1.*,
dense_rank() over(partition by uid,drk order by drk) rk from(
-- 连续签到日期
select uid,DATE_FORMAT(dt,'%Y%m') month ,sum(grade) from
     (select uid ,dt,  
     case 
     when   mod( rank() over  (partition by uid,rank_day order by dt),7) =3 then 3     
     when   mod( rank() over (partition by uid,rank_day order by dt) ,7)=0 then 7 
     else 1   end   grade    
     from 
        (
        select
        uid,
        dt,
        date_sub(dt,INTERVAL RANK() over(PARTITION by uid order by dt) day )  rank_day  from
            (
            select DISTINCT uid, date(in_time) dt  #查出所有签到记录 过滤掉可能重复的记录
            from tb_user_log 
            where artical_id=0 and sign_in=1 and date(in_time) BETWEEN '2021-07-07' and '2021-10-31' 
            ) t1
        ) t2
     )t3
group by uid,month;

三、电商场景(某东商城)

-- 计算商城中2021年每月的GMV
select
  date_format(event_time, '%Y-%m') month,
  sum(total_amount) GMV
from tb_order_overall
where year(event_time)=2021 and status in (0,1)
group by month having GMV > 100000
order by GMV;
-- 统计2021年10月每个退货率不大于0.5的商品各项指标
SELECT
    product_id,
    IF(COUNT(event_time) = 0, 0, ROUND(SUM(if_click) / COUNT(event_time), 3)) AS ctr,
    IF(SUM(if_click) = 0, 0, ROUND(SUM(if_cart) / SUM(if_click), 3)) AS cart_rate,
    IF(SUM(if_cart) = 0, 0, ROUND(SUM(if_payment) / SUM(if_cart), 3)) AS payment_rate,
    IF(SUM(if_payment) = 0, 0, ROUND(SUM(if_refund) / SUM(if_payment), 3)) AS refund_rate
FROM tb_user_event
WHERE DATE_FORMAT(event_time, '%Y-%m') = '2021-10'
GROUP BY product_id
HAVING refund_rate <= 0.5
ORDER BY product_id;
-- 某店铺的各商品毛利率及店铺整体毛利率
with new_tab as(select a.product_id,a.shop_id,a.in_price
                ,b.order_id,b.price,b.cnt
                from tb_product_info a , tb_order_detail b ,tb_order_overall c 
                where b.order_id=c.order_id and a.product_id=b.product_id
                and substring(c.event_time,1,7)>='2021-10'
                and a.shop_id=901 and c.status in (1,2))
                
(select '店铺汇总' product_id,CONCAT(round((1-sum(in_price*cnt)/sum(price*cnt))*100,1),'%')
from new_tab)
union all 
(select product_id,CONCAT(round(ratio*100,1),'%')
from (select distinct product_id ,(1-sum(in_price*cnt)/sum(price*cnt)) as ratio
from new_tab group by product_id order by product_id) t where t.ratio>0.249);
-- 零食类商品中复购率top3高的商品
select product_id,round(sum(if(t_cnt=2,1,0))/count(distinct uid),3) repurchase_rate
from(
    select product_id,uid,row_number()over(partition by product_id,uid order by event_time) t_cnt
    from tb_order_detail
    left join tb_order_overall using(order_id)
    left join tb_product_info using(product_id)
    where tag='零食'
    and datediff((select max(event_time) 
                  from tb_order_overall)
                 ,event_time)<90
    and status<>2
) t
where t_cnt<3
group by product_id
order by repurchase_rate desc,product_id
limit 3;
-- 10月的新户客单价和获客成本
with t as(
	select
		order_id,
		avg(total_amount) total_amount,
		sum(price*cnt)-avg(total_amount) diff
	from tb_order_overall t1
	left join tb_order_detail t2 using(order_id)
	where month(event_time)='10' and (uid,event_time) in (
		select uid,min(event_time) from tb_order_overall group by uid
	) group by order_id
)
select 
	round(avg(total_amount),1) avg_amount,
	round(avg(diff),1) avg_cost from t;
-- 店铺901国庆期间的7日动销率和滞销率
select a.dt,
       round(count(distinct b.product_id)/onsale_cnt,3) as sale_rate,
       round(1-(count(distinct b.product_id)/onsale_cnt),3) as unsale_rate
from
(select date(event_time) as dt
from tb_order_overall 
where date(event_time) BETWEEN '2021-10-01' and '2021-10-03') as a
left JOIN
(select date(t2.event_time) as dt,
       t3.product_id
from tb_order_overall t2
join tb_order_detail t3
on t2.order_id=t3.order_id and t2.status=1
join tb_product_info t1
on t1.product_id=t3.product_id and t1.shop_id=901) as b
on datediff(a.dt,b.dt) BETWEEN 0 and 6
JOIN
(select date(event_time) as dt,
       count(distinct case when datediff(date(event_time),date(release_time))>=0 then product_id end) as onsale_cnt
from tb_product_info,tb_order_overall
where shop_id=901
group by dt) as c
on a.dt=c.dt
group by a.dt
order by a.dt;

四、出行场景(某滴打车)

-- 2021年国庆在北京接单3次及以上的司机统计信息
SELECT city, round(avg(cnt), 3) as avg_order_num,
    round(avg(sum_fare), 3) as avg_income
FROM (
    SELECT city, driver_id, count(t1.order_id) as cnt,
        sum(fare) as sum_fare
    FROM tb_get_car_order as t1 JOIN tb_get_car_record as t2
    ON t1.order_id = t2.order_id
    WHERE date(order_time) between '2021-10-01' and '2021-10-07'
    AND city = '北京'
    GROUP BY city, driver_id
    HAVING cnt >= 3
) as t
GROUP BY city;
-- 有取消订单记录的司机平均评分
select IFNULL(driver_id,'总体') driver_id,round(avg(grade),1) avg_grade from tb_get_car_order
where driver_id in (select distinct driver_id from tb_get_car_order
where start_time is NULL and date_format(order_time,'%Y-%m')='2021-10')
and start_time is not null  -- 成功订单才有评分
group by driver_id
with rollup;
-- 每个城市中评分最高的司机信息
with temp as 
(
select
city,
driver_id,
round(avg(grade),1) as avg_grade,
round(count(order_time)/count(distinct date(order_time)),1) 
      as avg_order_num,
round(sum(mileage)/count(distinct date(order_time)),3) 
      as avg_mileage
from tb_get_car_order
join tb_get_car_record using(order_id)
group by city,driver_id
)

select 
city,driver_id,avg_grade,avg_order_num,avg_mileage
from
(select
*,
dense_rank() over (partition by city order by avg_grade desc)
    as rk
from temp) t1
where rk =1
order by avg_order_num;
-- 国庆期间近7日日均取消订单量
select time1,
round(num3/7,2) finish_num_7d,
round(num4/7,2) cancel_num_7d
FROM
(
    select time1,
    sum(num1) over(order by time1 rows between 6 preceding and current row) num3,
    sum(num2) over(order by time1 rows between 6 preceding and current row) num4
    from
    (
        select date(order_time) time1,
        count(*)-sum(if(start_time is null,1,0)) num1,
        sum(if(start_time is null,1,0)) num2
        from tb_get_car_order
        where date(order_time) between '2021-09-25' and '2021-10-03'
        group by date(order_time)
    ) a
) b
where time1 between '2021-10-01' and '2021-10-03';
-- 工作日各时段叫车量、等待接单时间和调度时间
select 
(case when substring_index(r.event_time,' ',-1) between '07:00:00' and '08:59:59' then '早高峰'
    when substring_index(r.event_time,' ',-1) between '09:00:00' and '16:59:59' then '工作时间'
    when substring_index(r.event_time,' ',-1) between '17:00:00' and '19:59:59' then '晚高峰'
    else '休息时间' end) period,
count(r.order_id) get_car_num, 
round(avg(timestampdiff(second,r.event_time,o.order_time))/60,1) avg_wait_time,
round(avg(timestampdiff(second,o.order_time,o.start_time))/60,1) avg_dispatch_time
from tb_get_car_order o inner join tb_get_car_record r on r.order_id=o.order_id
where weekday(r.event_time) not in (5,6)
group by period
order by get_car_num;
-- 各城市最大同时等车人数
with tb as (
    select a.uid,
           a.city,
           a.event_time                                                                              as start_time,
           if(a.order_id is null, a.end_time, if(b.start_time is null, b.finish_time, b.start_time)) as end_time
    from tb_get_car_record as a
             left join tb_get_car_order as b on a.order_id = b.order_id
    where date_format(a.event_time, "%Y-%m") = '2021-10'
)

select t.city,
       max(t.wait_cnt) as max_wait_uv
from (
         select t1.city,
                t2.dt,
                count(t1.uid) as wait_cnt
         from tb as t1
                  inner join (select start_time as dt
                              from tb
                              union
                              select end_time as dt
                              from tb
         ) as t2 on (t2.dt between t1.start_time and t1.end_time)
         group by t1.city, t2.dt
     ) as t
group by t.city
order by max_wait_uv, t.city;

五、某宝店铺分析(电商模式)

-- 某宝店铺的SPU数量
select style_id, count(item_id) SPU_num
from product_tb
group by style_id
order by SPU_num desc;
-- 某宝店铺的实际销售额与客单价
select
  sum(sales_price) sales_total,
  round(sum(sales_price)/count(distinct user_id), 2) per_trans
from sales_tb;
-- 某宝店铺折扣率
select
  round(sum(sales_price)/sum(sales_num*tag_price)*100, 2) 'discount_rate(%)'
from sales_tb s
left join product_tb p
on s.item_id=p.item_id;
--  某宝店铺动销率与售罄率
with a as
(
    select
    style_id
    ,sum(inventory) inventory_total
    ,sum(tag_price * inventory) inventory_price
    from product_tb
    group by 1
),
    b as
(
    select
    style_id
    ,sum(sales_num) sales_num_total
    ,sum(sales_price) gmv
    from sales_tb
    left join product_tb p using(item_id)
    group by 1
)
  
select
style_id
,round(sales_num_total/(inventory_total - sales_num_total)*100,2) pin_rate
,round(gmv/inventory_price*100,2) sell_through_rate
from a
join b 
using(style_id)
order by 1;
-- 某宝店铺连续2天及以上购物的用户及其对应的天数
select user_id, days_count from(
select user_id, dt, count(*) days_count from(
select t1.*, adddate(sales_date, -rk) dt from(
select user_id, sales_date,
dense_rank() over(partition by user_id order by sales_date) rk
from sales_tb
group by user_id, sales_date) t1) t2
group by user_id, dt) t
where days_count>=2;

六、牛客直播课分析(在线教育行业)

-- 牛客直播转换率
select b.course_id,  b.course_name, 
round((a.count1/a.count2)*100,2) as 'sign_rate(%)' from 
(select distinct course_id, sum(if_sign) over (partition by course_id) 
 as count1,
 sum(if_vw) over (partition by course_id) 
 as count2
from behavior_tb) a
join course_tb b on a.course_id=b.course_id
order by b.course_id;
-- 牛客直播开始时各直播间在线人数
select c.course_id,
c.course_name,
count(distinct a.user_id) online_num
from course_tb c
inner join attend_tb a on a.course_id=c.course_id
where time(a.in_datetime) <= '19:00:00'
and time(a.out_datetime) >= '19:00:00'
group by c.course_id,c.course_name
order by c.course_id;
-- 牛客直播各科目平均观看时长
-- 牛客直播各科目平均观看时长
select c.course_name,
       round(avg(timestampdiff(minute,a.in_datetime,a.out_datetime)),2) avg_Len
from attend_tb a join course_tb c on a.course_id = c.course_id
group by c.course_name
order by avg_Len desc;
-- 牛客直播各科目出勤率
select d.course_id, c.course_name, `attend_rate(%)` from(
select a.course_id, round(online_num/attend_num*100, 2) 'attend_rate(%)' from
(select course_id, count(distinct user_id) online_num
from attend_tb
where timestampdiff(minute, in_datetime, out_datetime)>=10
group by course_id
order by course_id) a
left join
(select course_id, count(distinct user_id) attend_num
from behavior_tb
where if_sign=1
group by course_id) b
on a.course_id=b.course_id) d
left join course_tb c
using(course_id);

-- 牛客直播各科目同时在线人数
select b.course_id, c.course_name, max(num) max_num from(
select course_id,
sum(flag) over(partition by course_id order by dt) num from(
select user_id, course_id, in_datetime dt, 1 flag
from attend_tb
union all
select user_id, course_id, out_datetime dt, -1 flag
from attend_tb) a) b
left join course_tb c
using(course_id)
group by b.course_id, c.course_name
order by course_id;

七、某乎回答(内容行业)

-- 某乎问答11月份日人均回答量
SELECT 
    answer_date,
    ROUND(COUNT(issue_id) / COUNT(DISTINCT author_id),
            2) per_num
FROM
    answer_tb
where date_format(answer_date, '%Y-%m')='2021-11'
GROUP BY answer_date
ORDER BY answer_date;
-- 某乎问答高质量的回答中用户属于各级别的数量
select level_cut,count(level_cut) ct
from
(
    select 
    (case when author_level in (1,2) then '1-2级'
          when author_level in (3,4) then '3-4级'
          when author_level in (5,6) then '5-6级' end) level_cut
    from answer_tb an
    left join author_tb au
    on an.author_id = au.author_id
    where char_len >= 100
) t
group by level_cut
order by ct desc;

-- 某乎问答单日回答问题数大于等于3个的所有用户
select answer_date, author_id,
count(issue_id) answer_cnt
from answer_tb
group by answer_date, author_id
having answer_cnt>=3
order by answer_date, author_id;

-- 某乎问答回答过教育类问题的用户里有多少用户回答过职场类问题
SELECT 
  COUNT(DISTINCT author_id) num
FROM answer_tb
WHERE issue_id LIKE 'E%'
      AND
      author_id IN (SELECT 
                      author_id
                    FROM answer_tb
                    WHERE issue_id LIKE 'C%');
-- 某乎问答最大连续回答问题天数大于等于3天的用户及其对应等级
select author_id, author_level, max(days_cnt) days_cnt from(
select t2.author_id, author_level,
count(*) days_cnt from
(select t1.*, adddate(answer_date, -rk) dt from(
select author_id, answer_date,
dense_rank() over(partition by author_id order by answer_date) rk
from answer_tb
group by author_id, answer_date) t1) t2
left join author_tb
using(author_id)
group by author_id, author_level, dt
having days_cnt>=3
order by author_id) t3
group by author_id, author_level;	
牛客SQL大厂面试真题之用户增长场景 牛客SQL大厂面试真题之用户增长场景(某度信息流),教会你如何用SQL解决连续登录签到问题、留存率问题、用户分层问题、同时最大在线人数等常考点。 阅读详情

相关推荐

牛客SQL大厂面试真题——出行场景(滴滴打车)

聚合函数、日期时间函数及窗口函数的实战运用

m0_69435474的博客 2601

送你直通大厂企业之sql面试题及答案

以上就是“送你直通大厂企业之sql面试题及答案”,你能回答上来吗?如果想要了解更多相关内容,可以加扣扣裙390144688。Student(Sid,Sname,Sage,Ssex)学生表。1、查询“001”课程比“002”课程成绩高的所有学生的学号。2、查询平均成绩大于60分的同学的学号和平均成绩。Course(Cid,Cname,T#)课程表。3、查询所有同学的学号、姓名、选课数、总成绩。Teacher(Tid,Tname)教师表。SC(Sid,Cid,score)成绩表。

sincegc的博客 270

学SQL,我是这么刷的

写这篇文章的原因是最近朋友来向我请教SQL要怎么学。 所以我也就准备借此机会写一文,连带着回答这位朋友一起了。 熟悉我的朋友,一定知道我一直没有做SQL方向的刷题模板,甚至没有给总结过SQL的刷题经验,其实曾经向我提议做SQL方向刷题教程的人也有不少,但是我也一直没有动工,那是因为我发现有一个已经整理得不错的刷题模板可用了,可以看牛客网的SQL专题。 地址:https://www.nowcoder.com/link/wx_sqlcarl199 可能大多数的朋友对牛客网的认知还是一个做职业、求职的平台

msbjy的博客 763

5个必考的大厂SQL面试题

SQL几乎是每个数据岗的必备题目,下面分享几个常见的大厂SQL习题。(1)找出连续7天登陆,连续30天登陆的用户(小红书笔试,电信云面试),最大连续登陆天数的问题 --窗口函数(2)求连续点击三次的用户数,中间不能有别人的点击 ,最大连续天数的变形问题(腾讯微保面试)--窗口函数(3)计算除去部门最高工资,和最低工资的平均工资(字节跳动面试)--窗口函数(4)留存的计算,和累计求和的计算 --窗口函数,自联结(pdd面试)(5)AB球队得分流水表,得到连续三次得分的队员名字 和每次赶超对手的球员名字,(pd

Python学习与数据挖掘 9972

大厂面试手撕SQL面试题(Hive实现:样例数据、详细思路、亲试可行的运行截图)

查询每个用户最大连续登录天数的问题与上一个问题类似,关键在于如何计算并判断用户连续登录的天数。最大连续登录天数可以通过类似的方式实现,但查询的重点是要返回每个用户的最长连续登录天数。event_date是事件的发生时间,continue_time是持续秒数,有的事件发生了,还没结束又发生别的事件,要求计算时间时去除重叠的时间。:首先,我们同样需要计算每个用户的登录日期,并标记每个登录记录是否是连续的。:通过计算连续的登录天数,标记出每个用户的连续登录天数。的表,包含用户的登录记录。

大模型大数据攻城狮的专栏 2482

牛客-SQL篇-SQL大厂面试真题-04出行场景(某滴打车)-出行场景(某滴打车)-SQL179各城市最大同时等车人数

(108, '北京', '2021-10-20 08:00:00', '2021-10-20 08:00:40', 9008),(108, '北京', '2021-10-20 08:00:10', '2021-10-20 08:00:45', 9018),(104, '北京', '2021-10-20 08:01:01', '2021-10-20 08:01:20', 9004),driver_id INT NOT NULL COMMENT '司机ID',

SunshineLu2019的博客 1018

牛客SQL大厂面试真题 知识点总结 (一)

当面对牛客SQL大厂面试真题,我们需要对SQL的各种知识点有全面的了解和掌握。这些知识点涵盖了SQL的各个方面 ,在面试中,能够熟练运用这些知识点,并且能够根据实际业务场景进行灵活应用,将会极大地提升我们的竞争力。通过对这些知识点的系统总结和学习,我们将能够更加深入和全面地理解SQL,为未来在面试和实际工作中的应用打下坚实的基础。让我们一起努力,掌握SQL的精髓,展现出我们的技术实力和解决问题的能力!

pymzy666skr的博客 1245

Hive SQL大厂必考常用窗口函数及面试题.pdf

窗⼝函数也称为OLAP函数,OLAP 是OnLine Analytical Processing 的简称,意思是对数据库数据进⾏实时分析处理。例如,市场分析、创建财务报表、创建计划等⽇常性商务⼯作。窗⼝函数就是为了实现OLAP ⽽添加的标准SQL 功能。 聚合函数是将多条记录聚合为⼀条;窗⼝函数是每条记录都会执⾏,有⼏条记录执⾏完还是⼏条。窗⼝函数兼具GROUP BY ⼦句的分组功能以及ORDER BY ⼦句的排序功能。但是,PARTITION BY ⼦句并不具备 GROUP BY ⼦句的汇总功能。

牛客网SQL训练5—SQL大厂面试真题

牛客网刷题5—SQL大厂面试真题

毛媛媛 3143

(53页PPT)新型智慧病房整体解决方案(附下载方式)

当前医疗场景存在三大核心矛盾:院内感染风险(如输液异常发现滞后)、信息孤岛现象(11类业务系统数据割裂)、管理效能不足(30%护理时间耗费在机械性工作)。实际案例显示,整体运营效率提升40%,患者满意度提高28个百分点,真正实现了"让技术有温度,让数据会说话"的价值理念。本文将从需求分析、技术架构、应用场景三个维度,深度剖析这份53页解决方案的创新价值与实践路径。床旁智能终端整合12项功能:包括体征自动采集(误差率<1%)、医嘱执行核对(100%条码校验)、智能床垫离床报警(响应时间3秒)等。

AI_data_cloud的博客 717

得物APP破解

本文介绍了得物App(版本4.74.5)的逆向破解过程,重点分析了绕过强制更新、抓包技巧以及破解newSign参数的详细方法。首先通过断网再联网的方式绕过强制更新,然后使用SocksDroid进行抓包分析,发现首页推荐接口需要newSign参数。通过反编译定位到RequestUtils.c方法,利用Frida进行Hook验证,最终解析出newSign的生成逻辑:将请求参数加入固定字段后排序拼接,再进行MD5加密生成签名。文中提供了完整的Hook脚本和签名算法分析,仅供学习移动安全技术参考。

m0_74653634的博客 3514

牛客SQL大厂面试真题 知识点总结 (二)

当面对牛客SQL大厂面试真题,我们需要对SQL的各种知识点有全面的了解和掌握。这些知识点涵盖了SQL的各个方面 ,在面试中,能够熟练运用这些知识点,并且能够根据实际业务场景进行灵活应用,将会极大地提升我们的竞争力。通过对这些知识点的系统总结和学习,我们将能够更加深入和全面地理解SQL,为未来在面试和实际工作中的应用打下坚实的基础。让我们一起努力,掌握SQL的精髓,展现出我们的技术实力和解决问题的能力!

pymzy666skr的博客 1272

CANoe信号传输故障排查指南

本文提供了全面的CANoe信号传输故障排查指南,涵盖从硬件连接、通道配置到软件脚本与数据库加载的全链路诊断。针对常见的通道指示灯不亮、信号无法发送及ECU握手失败等问题,给出了基于CANoe工具和CAPL脚本的详细排查步骤与解决方案,帮助工程师系统化定位并解决实车测试中的通信故障。

ice55的博客 259

牛客sql_大厂面试真题

SQL1 各个视频的平均完播率 select video_id ,round(sum(if(timestampdiff(second,start_time,end_time)>=duration,1,0))/count(1),3) avg_comp_play_rate from tb_video_info left join tb_user_video_log using(video_id) where year(start_time)='2021' group by video_id

Today_2018的博客 3569

界面上下固定_基于ANSYS的胶粘结构界面开裂有限元计算

引言:目前工程上主要有螺栓,过盈,焊接和胶粘四种常用的连接方式,本文基于ANSYS Workbench环境,引入内聚力模型来实现对胶粘结构界面开裂失效的计算,文中的界面失效参数为随意给定,不是工程实际测试数据,仅起到演示作用!1.问题的描述如图所示给出了胶粘结构的三维模型,该胶粘结构由上下钢板组成,中间通过胶粘接到一起。(胶不需要建模,其影响主要通过内聚力模型实现)上下板的材料为结构钢,...

weixin_29473667的博客 1万+

避坑指南:STM32H7不同DMA控制器(MDMA/DMA2D/BDMA)到底该用哪个?

本文深入解析STM32H7系列芯片的DMA控制器选型策略,涵盖MDMA、DMA2D、BDMA等不同控制器的架构原理与性能对比。通过实际项目案例,提供高速TCM数据搬运、GUI加速、低功耗传输等场景的选型决策树,并分享性能优化与调试技巧,帮助工程师避开常见陷阱,提升系统效率。

weixin_26876073的博客 448

牛客SQL大厂面试真题目录

牛客SQL大厂面试真题目录

qq118640594X的博客 630

STM32 FMC驱动AD7606实战:从硬件连接到时序调试全流程解析

本文详细解析了STM32 FMC驱动AD7606的全流程,包括硬件连接、FMC接口配置、驱动程序设计和时序调试。通过实战案例,展示了如何利用STM32的FMC总线实现与AD7606的高效数据传输,特别强调了电源设计、信号连接和PCB布局等关键要点,为嵌入式数据采集系统开发提供了实用指导。

aa123的博客 1008

Java大厂面试备考:牛客模考定制真题实战复盘

Java面试考察的不仅是语言语法,更是对底层原理的理解深度。从Java基础、集合框架到JVM内存模型与并发编程,每个核心知识点背后都对应着工程中的真实问题。掌握这些原理,才能应对大厂面试官的多角度追问。同时,算法手撕题与框架中间件深挖也占据重要比重。针对这些关键考点,使用贴近真实面试风格的模拟训练,能有效帮助求职者查漏补缺、熟悉考试节奏。本文以牛客模考·大厂定制真题为例,复盘一套完整复习方法论,涵盖考点拆解、专题突破、全真模考与踩坑经验,为备战Java岗位面试的读者提供可落地的参考路径。

weixin_30325971的博客 400

matlab 点云泊松盘采样

本文介绍了泊松盘采样算法在三维点云处理中的应用。该算法通过最小间距约束(任意两点距离≥r)和均匀分布特性,生成高质量、均匀分布的点集。文章详细阐述了参数设置(如采样半径、候选点数),并与体素栅格、随机采样等方法进行了对比。代码实现部分展示了MATLAB版本的泊松盘采样算法,包括KD树加速和候选点生成机制。实验结果表明,该方法能有效保持点云特征,适用于点云简化、曲面重建等场景。文中还提供了参数调整建议和不同应用场景下的使用指导。

点云侠的博客 538

23、工业物流中的多智能体路径规划与碰撞处理策略

本文探讨了工业4.0背景下工业物流中的多智能体路径规划(MAPF)与碰撞处理策略。分析了自动导引车(AGV)等移动资源的应用现状,综述了主流路径规划算法如A*、D*Lite、M*等,以及集中式与分布式碰撞检测方法。重点比较了五种碰撞避免策略:路径交叉、优先级、起始时间调整、无交叉路径和速度调整,提出了基于环境条件的策略选择流程,并通过流程图展示了评估、组合、测试与优化的全过程。文章强调应根据订单不确定性、时间约束、优先级和生产组织等因素综合选择或组合策略,以提升物流效率与系统可靠性。

mac99的博客 126

教学妹写SQL

大家好,我是一哥。今天给大家上点干货,推荐一款之前一直在用的SQL刷题网站—牛客的SQL题库。很多人都知道牛客有面经,但是还不知道有SQL,其实牛客的SQL题目已经有大概500题了,题目内容、产品、讨论区氛围,可以说是国内做的最好的网站之一。内容上它主要包含了针对数据分析师、大数据的快速入门、进阶、面试真题、最近又新上了 《SQL必知必会》配套题单以及针对技术的面试经典题...

数据一哥,公众号:数据社 5601

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

牛客SQL 大厂面试真题 某东商城 6套代码及解析

3.电商场景(某东商城) SQL168 计算商城中2021年每月的GMV SQL169 统计2021年10月每个退货率不大于0.5的商品各项指标 SQL170 某店铺的各商品毛利率及店铺整体毛利率 SQL171 零食类商品中复购率top3高的商品 SQL172 10月的新户客单价和获客成本 SQL173 店铺901国庆期间的7月动销率和滞销率

qq118640594X的博客 1101

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

迎战2021年春招,面试蚂蚁金服,京东,腾讯等六家大厂的面试经验分享!(附300多道面试真题)

一、写在前头 首先,我的面试经历和一下面霸、收割机大佬相比,不是特别丰富,只是略有感悟,分享这几个月来的心路历程,也让后来者可以借鉴一下而已。 二、注重心态 明确一点: offer = 心态(30%)+实力(30%)+运气(40%) 曾经也在春招心态炸裂过,因为看到很多不公平,看到很多觉得侮辱自己汗水和泪水的东西。不过炸裂的几天后想到,如果这样下去,我会给带节奏的,会造成更大的悲剧,所以不行,必须积极起来。 三、春招的暗坑与技巧:(以大厂为目标) 1. 比拼的东西: 春招因为很多人没实习经验,所以比拼列表

weixin_47067712的博客 1601

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

牛客SQL 大厂面试真题 某滴打车 6套代码及解析

牛客SQL 大厂面试真题 某滴打车 6套代码及解析 4.出行场景(某滴打车) SQL174 2021年国庆在北京接单3次及以上的司机统计信息 SQL175 有取消订单记录的司机平均评分 SQL176 每个城市中评分最高的司机信息 SQL177 国庆期间近7日日均取消订单量 SQL178 工作日各时段叫车量、等待接单时间和调整时间 SQL179 各城市最大同时等车人数

qq118640594X的博客 1520

暴打力扣和牛客:2000多道Java岗面试真题,助你跳槽涨薪

导语 金三银四,五一小长假已经过去了,各位小伙伴拿到心仪的offer了吗??? 这份面试题囊括了绝大部分的Java技术知识,足够你应付市面上90%以上的面试了。我不知道大家会不会在面试后进行复盘总结,思考面试官的思路。总之,我也帮大家总结起来了,让你在面试的时候可以更清楚的明白面试官的思路,更从容的面对面试官的问题。 凡事预则立,不预则废。还是那句老话:上天不负有心人!我相信你的每一步努力,都会收获意想不到的回报。 包含的内容 以下分享的内容基本上都是大厂的面试真题,以及部分真实的优.

javassb的博客 392
上一篇: Python实现模型持久化和加载方式
下一篇: 数据分析思维导图
rubyw
博客等级 码龄7年 1528粉丝 234原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

rubyw

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值