Hive计算最大连续登陆天数 Hive计算最大连续登陆天数

一、背景
二、算法
- 1. 第一步：排序
- 2. 第二步：第二列与第三列做日期差值
- 3. 第三步:按第二列分组求和
- 4. 第四步：求最大次数
三、扩展（股票最大涨停天数）

强哥说他发现了财富密码，最近搞了一套股票算法，其中有一点涉及到股票连续涨停天数的计算方法，我们都知道股票周末是不开市的，这里有个断层，需要一点技巧。我问是不是时间序列，他说我瞎扯，我也知道自己是瞎扯。 问他方法，他竟然不告诉我，这么多年的兄弟情谊算个屁。真当我没他聪明吗，哼！
靠人不如靠自己，我决定连夜研究一下在Hive里面计算最大连续天数的计算方法。
一、背景在网站平台类业务需求中用户的「最大登陆天数」，需求比较普遍。
原始数据：

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

说明：数据是简化版，两列分别是user_id,log_in_date。现实情况需要从采集数据经过去重，转换得到以上形式数据。
我们先建表并且将数据导入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 ;

查看一下数据：

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、算法核心是按访问时间排序，登陆时间列减去排序后的序列号，得到一个日期值，按这个值分组计数即可。
1. 第一步：排序按照user_id分组，并且按照日期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;

【Hive计算最大连续登陆天数】结果：

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 9u0002 2019-10-20 1

这里可以看出，u0001这个用户最大连续登录天数是4天，使用后面计算方法计算后可以验证。
2. 第二步：第二列与第三列做日期差值可以看出规律，日期小的，行号也小；如果将日期跟行号做差值，连续登录的差值应该是一样的。

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;

结果：

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

显然可以看出，最大连续连续登录是4次。
3. 第三步:按第二列分组求和

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;

结果：

u0001 2019-10-09 3 u0001 2019-10-10 2 u0001 2019-10-11 4 u0002 2019-10-19 1

4. 第四步：求最大次数已经算出了，每个用户连续登录天数序列，接下取每个用户最大登录天数最大值即可：

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;

结果跟我们的预期是一致的，用户u0001最大登录天数是4。

u0001 4 u0002 1

三、扩展（股票最大涨停天数）我们知道股票市场，比如咱们的A股，周末是不开盘的，那么一只股票如果上周五涨停，本周一接着涨停，这算是连续2天涨停，使用上面这种方法是不行的，使用lead函数试试：

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;

结果

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：上面结果一共有3列，第一列是uid，通过lead函数，后面两列都是日期，那么两列日期都取值周一到周五之间，也就是说数据里面只有工作日日期，没有周末的数据，可以提前过滤使得数据满足，既然要连续，那么：