SQL面试题(2)
第一题

创建trade_orders表:
create table `trade_orders`(
`trade_id` varchar(255) NULL DEFAULT NULL,
`uers_id` varchar(255),
`trade_fee` int(20),
`product_id` varchar(255),
`time` varchar(255)
)ENGINE = InnoDB CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = dynamic
添加数据:
INSERT INTO `trade_orders` VALUES ('20171023140109701120.0', 'ovsuXw6-7XI81U049TbjugEz912w', '168', '2017001000030.0', '2017-10-23 22:04:45');
INSERT INTO `trade_orders` VALUES ('20171023220445700096.0', 'ovsuXw2TajDGuHPSF798z9FSy38c', '18', '2017001000031.0', '2017-10-23 11:55:23');
INSERT INTO `trade_orders` VALUES ('20171023110103801856.0', 'ovsuXw6-7XI81U049TbjugEz912w', '', '2017002000130.0', '2017-10-28 21:19:18');
INSERT INTO `trade_orders` VALUES ('20171023184746299392.0', 'ovsuXw6-7XI81U049TbjugEz912w', '19', '2017002000129.0', '2017-10-28 21:19:18');
INSERT INTO `trade_orders` VALUES ('20171023184832901120.0', 'ovsuXw 2114bvpcjiR83R4dVzPw2Gg', '200', '2017002000129.0', '2023-03-30 11:44:07');
INSERT INTO `trade_orders` VALUES ('20171023205014200320.0', 'ovsuXwwqmoj-YC987zDnpE9KaPs8', '300', '2017001000031.0', '2023-03-29 18:48:32');
INSERT INTO `trade_orders` VALUES ('20171023110103801856.0', 'ovsuXw6-7XI81U049TbjugEz912w', '0', '2017002000130.0', '2017-10-28 21:19:18');
题一:每个用户的首次付费时间
selectuers_id as 用户id,min(time) as 首次付费时间
from trade_orders
GROUP BYuers_id
题二:每个用户首次付费后30天内的总付费次数:
SELECT users_id AS 用户ID, COUNT(distinct trade_fee) AS 总付费次数
FROM trade_orders AS t
WHERE time <= DATE_ADD((SELECT MIN(time) FROM trade_orders AS min_time WHERE min_time.users_id = t.users_id and t.trade_fee != ""), INTERVAL 30 DAY)
GROUP BY users_id
ORDER BY总付费次数 desc;
解释:
- 首先,从交易订单表(trade_orders)中选择用户ID(users_id)和不同交易费用(trade_fee)的数量&
相关文章:
SQL面试题(2)
第一题 创建trade_orders表: create table `trade_orders`( `trade_id` varchar(255) NULL DEFAULT NULL, `uers_id` varchar(255), `trade_fee` int(20), `product_id` varchar(255), `time` varchar(255) )ENGINE = InnoDB CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_…...
python常用pandas函数nlargest 和 nsmallest及其手动实现
pandas是Python数据分析的重要工具之一,提供了大量便捷的数据操作方法。nlargest和nsmallest是pandas中两个非常实用的函数,它们可以帮助我们快速找出Series或DataFrame中最大或最小的n个值。 ### pandas中的nlargest和nsmallest函数 - nlargest(n, colu…...
第六课:NIO简介
一、传统BIO的缺点 BIO属于同步阻塞行IO,在服务器的实现模型为,每一个连接都要对应一个线程。当客户端有连接请求的时候,服务器端需要启动一个新的线程与之对应处理,这个模型有很多缺陷。当客户端不做出进一步IO请求的时候,服务器…...
在vue2中使用饼状图
1.引入vue2和echarts <script src"https://cdn.jsdelivr.net/npm/vue2.7.14/dist/vue.js"></script> <script src"https://cdn.jsdelivr.net/npm/echarts5.4.0/dist/echarts.min.js"></script> 2.1 补充基本的body内容 <div id…...
面经(五)南京 软通动力 一面
注:已经有了接近一年的工作经验 总体评价 不完全是技术面,面试经过还行,但可能是期望岗位和对方需求不太一致,感觉不太好过 面试经过 HR找你,发简历入库,然后商量面试时间,发腾讯会议链接腾…...
线段树模型及例题整理
线段树的应用范围非常广,可以处理很多与区间有关的题目。 将区间抽象成一个节点,在这个节点中储存这个区间的一些值,那么如果看成节点的话,这就很像一棵满二叉树,所以我们可以用一维数组来储存节点。那么就要考虑父子节…...
揭秘Java性能调优的层次 | 综合多方向提升应用程序性能与系统高可用的关键(架构层次规划)
揭秘性能调优的层次 | 综合多方向提升应用程序性能与系统的高可用 前言介绍调优层次调优 — 设计案例说明 - 操作轮询控制事件驱动 调优 — 代码案例说明 - ArrayList和LinkedList性能对比案例说明 - 文件读写实现方式的性能对比 调优 — JVMJVM架构分布JVM调优方向**JVM垃圾回…...
事件循环解析
浏览器的进程模型 何为进程? 程序运行需要有它自己专属的内存空间,可以把这块内存空间简单的理解为进程 每个应用至少有一个进程,进程之间相互独立,即使要通信,也需要双方同意。 何为线程? 有了进程后&…...
物联网技术助力智慧城市安全建设:构建全方位、智能化的安全防护体系
一、引言 随着城市化进程的加速和信息技术的迅猛发展,智慧城市已成为现代城市发展的重要方向。在智慧城市建设中,安全是不可或缺的一环。物联网技术的快速发展为智慧城市安全建设提供了有力支持,通过构建全方位、智能化的安全防护体系&#…...
mac打不开xxx软件, 因为apple 无法检查其是否包含恶意
1. 安全性与隐私下面的允许来源列表,有些版本中的‘任何来源’选项被隐藏了,有些从浏览器下载的软件需要勾选这个选项才能安装 打开‘任何来源’选项 sudo spctl --master-disable 关闭‘任何来源’选项 sudo spctl --master-enable...
《深入浅出红黑树:一起动手实现自平衡的二叉搜索树》
一、分析 1. 红黑树的性质 红黑树是一种自平衡的二叉搜索树,它具有以下五个性质: (1)节点是红色或黑色。 (2)根节点是黑色。 (3)所有叶子节点(NIL节点)是…...
C++——模版
前言:哈喽小伙伴们好久不见,这是2024年的第一篇博文,我们将继续C的学习,今天这篇文章,我们来习一下——模版。 目录 一.什么是模版 二.模版分类 1.函数模版 2.类模板 总结 一.什么是模版 说起模版,我们…...
《TCP/IP详解 卷一》第9章 广播和组播
目录 9.1 引言 9.2 广播 9.2.1 使用广播地址 9.2.2 发送广播数据报 9.3 组播 9.3.1 将组播IP地址转换为组播MAC地址 9.3.2 例子 9.3.3 发送组播数据报 9.3.4 接收组播数据报 9.3.5 主机地址过滤 9.4 IGMP协议和MLD协议 9.4.1 组成员的IGMP和MLD处理 9.4.2 组播路由…...
备战蓝桥杯---动态规划的一些思想1
话不多说,直接看题: 目录 1.双线程DP 2.正难则反多组DP 3.换个方向思考: 1.双线程DP 可能有人会说直接贪心:先选第1条的最优路径,再选第2条最优路径。 其实我们再选第1条时,我们怎么选会对第2条的路径…...
基于BERTopic模型的中文文本主题聚类及可视化
文章目录 BERTopic简介模型加载地址文本加载数据处理BERTopic模型构建模型结果展示主题可视化总结BERTopic简介 BERTopic论文地址:BERTopic: Neural topic modeling with a class-based TF-IDF procedure BERTopic是一种结合了预训练模型BERT和主题建模的强大工具。它允许我…...
MySQL:函数
提醒: 设定下面的语句是在数据库名为 db_book里执行的。 创建user_info表 注意:pwd为密码字段,这里使用了VARCHAR(128)类型,为了后面方便对比,开发项目里一般使用char(32),SQL语句里使用MD5加密函数 USE db…...
C/C++内存管理及内存泄漏详解
目录 C/C内存分布 C语言中动态内存管理方式:malloc/calloc/realloc/free C内存管理方式 new/delete操作内置类型 new和delete操作自定义类型 operator new与operator delete函数 new和delete的实现原理 内置类型 自定义类型 内存泄漏 概念 内存泄漏分类 ⭐…...
什么是系统工程(字幕)41
0 00:00:01,650 --> 00:00:01,884 好 1 00:00:01,884 --> 00:00:06,330 那这个时候我们就可以把它绑定到上面了 2 00:00:06,610 --> 00:00:07,940 那我们来看 3 00:00:11,710 --> 00:00:12,930 幻灯片上 4 00:00:15,530 --> 00:00:15,885 5 00:00:15,885 --…...
测开新手:pytest+requests+allure自动化测试接入Jenkins学习
最近在这整理知识,发现在pytest的知识文档缺少系统性,这里整理一下,方便后续回忆。 在python中,大家比较熟悉的两个框架是unittest和pytest: Unittest是Python标准库中自带的单元测试框架,Unittest有时候…...
学习网络编程No.11【传输层协议之UDP】
引言: 北京时间:2023/11/20/9:17,昨天成功更文,上周实现了更文两篇,所以这周再接再厉。当然做题任在继续,而目前做题给我的感觉以套路和技巧偏多,还是那句话很多东西不经历你就是不懂ÿ…...
OZON选品工具深度测评:这五款帮你精准掘金俄罗斯市场
在俄罗斯电商市场,OZON正成为越来越多中国卖家的掘金热土。然而,面对陌生的市场、海量的商品和复杂的规则,如何高效选品、精准运营,是每个卖家必须跨越的门槛。选品工具,正是那把关键的钥匙。今天,我们就来…...
奶奶都能看懂的 C# —— 手把手 LINQ懈
一、 什么是 AI Skills:从工具级到框架级的演化 AI Skills(AI 技能) 的概念最早在 Claude Code 等前沿 Agent 实践中被强化。最初,Skills 被视为“工具级”的增强,如简单的文件读写或终端操作,方便用户快速…...
从TwinCAT配置到Simulink-Realtime:打通松下伺服EtherCAT实时控制的实践指南
1. 为什么需要打通TwinCAT和Simulink-Realtime 在工业自动化领域,EtherCAT因其出色的实时性能和灵活的拓扑结构,已经成为伺服控制的首选通信协议。而将TwinCAT与Simulink-Realtime结合使用,可以充分发挥两者的优势:TwinCAT提供专业…...
ESP8266轻量级Homie物联网框架封装库
1. 项目概述 simple-homie-iot-rc433 是一个面向 ESP8266 平台(亦可适配 ESP32)的轻量级 Homie 物联网框架封装库,其核心定位并非从零实现 Homie 协议栈,而是对 homie-iot/esp 官方库进行工程化抽象与使用模式简化。它不引入新…...
无需代码!AcousticSense AI音乐分类工具5分钟部署指南
无需代码!AcousticSense AI音乐分类工具5分钟部署指南 1. 让AI听懂音乐:视觉化流派分析新体验 你是否遇到过这样的情况:听到一首好歌却说不清它属于什么风格?或者需要整理上千首音乐却苦于手动分类?AcousticSense AI…...
Lychee多模态重排序模型效果展示:T→T纯文本检索中长尾query高分匹配案例
Lychee多模态重排序模型效果展示:T→T纯文本检索中长尾query高分匹配案例 1. 引言:当搜索遇到“冷门”问题 想象一下,你在网上搜索一个非常具体、甚至有点冷门的问题。比如,你想知道“如何用Python代码实现一个能识别手写数字的…...
MATLAB/Simulink搭建全桥LLC仿真:从参数计算到波形调试的保姆级避坑指南
MATLAB/Simulink全桥LLC仿真实战:从理论参数到波形优化的工程化实现 电力电子工程师在设计全桥LLC谐振变换器时,仿真环节往往是理论走向实践的第一道门槛。许多初学者在Simulink中搭建模型时,明明按照教科书计算了Lr、Lm、Cr等参数࿰…...
二叉搜索树:从原理到应用,解锁高效数据管理
1. 二叉搜索树的核心原理 第一次接触二叉搜索树(BST)时,我被它的简洁和高效深深吸引。想象一下,你有一堆杂乱无章的数据,如何快速找到其中某个特定值?BST给出了一个优雅的解决方案。 BST本质上是一种特殊的二叉树,它遵…...
Redis 热点 Key 的治理方案
Redis作为高性能内存数据库,在应对高并发场景时,热点Key问题常成为性能瓶颈。当某些Key被频繁访问时,会导致单节点负载激增,引发延迟飙升甚至服务雪崩。本文将深入探讨热点Key的治理方案,帮助开发者构建更稳定的Redis架…...
DVWA靶场JavaScript通关实战:从源码混淆到手动生成Token的完整指南
DVWA靶场JavaScript通关实战:从源码混淆到手动生成Token的完整指南 1. 初识DVWA JavaScript挑战 DVWA(Damn Vulnerable Web Application)作为经典的Web安全学习靶场,其JavaScript Attacks模块专门设计用于训练前端安全分析能力。这…...
