以下文章经过少量修改，主要来源于俊红的数据分析之路 ，作者张俊红，以及参考文献：https://mp.weixin.qq.com/s/sg7VbRkS5xmJJo8FI6Hcvg
今天来解一道题面试中可能经常会被一些面试官拿来“刁难”的题，就是《如何统计连续打卡天数》，当然了这里面的打卡可以换成任意其他行为，比如连续登陆天数，连续学习天数，连续购买天数，这里的天数也是可以换成小时或者别的时间单位的。这个问题的逻辑还是有点复杂，如果要是之前没遇到过这种问题，当场被问到的时候，肯定会一脸懵。
直接来看实战，现在有一张表t，这张表存储了每个员工每天的打卡情况，现在需要统计截止目前每个员工的连续打卡天数，表t如下表所示：
| uid | tdate | is_flag |
|---|---|---|
| 1 | 2020/2/1 | 1 |
| 1 | 2020/2/2 | 0 |
| 1 | 2020/2/3 | 1 |
| 1 | 2020/2/4 | 1 |
| 1 | 2020/2/5 | 0 |
| 1 | 2020/2/6 | 1 |
| 1 | 2020/2/7 | 1 |
| 1 | 2020/2/8 | 1 |
| 2 | 2020/2/1 | 1 |
| 2 | 2020/2/2 | 0 |
| 2 | 2020/2/3 | 0 |
| 2 | 2020/2/4 | 1 |
| 2 | 2020/2/5 | 1 |
| 2 | 2020/2/6 | 1 |
| 2 | 2020/2/7 | 1 |
| 2 | 2020/2/8 | 1 |
上表中uid是用户id，tdate是日期，is_flag是记录用户当天是否打卡，1为打卡，0为未打卡。
我们希望得到的结果为：
| uid | flag_days |
|---|---|
| 1 | 3 |
| 2 | 5 |
这个逻辑还是挺难想的，第一个想法就是通过前后数据偏移来实现，就是将is_flag向前移动一行或者向后移动一行，然后和原来的is_flag标签做差，如果结果为0，说明前后两天的值是相同的，要么都是0，要么都是1。但是还是不能够得出我们想要的结果。
再换一种思路：如果是连续打卡，那么打卡日期与一个递增的数字依次做差的结果值应该是相等的，不理解这句话没关系，看具体结果你就明白了。
分析思路：
1.先筛选条件打卡is_flag=1，然后所有打了卡的用窗口函数按照用户id分组按时间排序
2.然后时间日期中的天与排序做差，得到的相同数字即为连续打卡
3.再聚合函数count（日期）一下，按连续打卡分组可得每段时间的连续打卡天数
4.接着就可随意查看最近的连续打卡天数，历史最高连续打卡天数，打卡天数大于某个数值的人
我们先获取每个用户在这一段时间内所有打卡的排名，是所有打卡的排名哦，利用的是窗口函数的row_number()，代码如下：
select uid, tdate, row_number() over(partition by uid order by tdate) date_rank from t where is_flag=1
运行上面的代码，可以得到如下结果：
| uid | tdate | date_rank |
|---|---|---|
| 1 | 2020/2/1 | 1 |
| 1 | 2020/2/3 | 2 |
| 1 | 2020/2/4 | 3 |
| 1 | 2020/2/6 | 4 |
| 1 | 2020/2/7 | 5 |
| 1 | 2020/2/8 | 6 |
| 2 | 2020/2/1 | 1 |
| 2 | 2020/2/4 | 2 |
| 2 | 2020/2/5 | 3 |
| 2 | 2020/2/6 | 4 |
| 2 | 2020/2/7 | 5 |
| 2 | 2020/2/8 | 6 |
接着再获取每个打卡日期(tdate)中的日与其打卡日期排名(date_rank)之间的差，比如uid=1的2020/2/3的打卡日期中的3号与其排名(date_rank)2做差等于1，实现代码如下：
select uid, tdate, date_rank, (date_format(tdate,"%e") - date_rank) as day_cha from ( select uid, tdate, row_number() over(partition by uid order by tdate) date_rank from demo.newtable where is_flag=1 )t1
date_format() 函数:用于以不同的格式显示日期/时间数据。%e 输出为月的天数，数值(0-31)
时间日期其他函数还可参考https://www.cnblogs.com/lverkou/p/13055614.html
运行上面的代码，最后可以得到如下结果：
| uid | tdate | date_rank | day_cha |
|---|---|---|---|
| 1 | 2020/2/1 | 1 | 0 |
| 1 | 2020/2/3 | 2 | 1 |
| 1 | 2020/2/4 | 3 | 1 |
| 1 | 2020/2/6 | 4 | 2 |
| 1 | 2020/2/7 | 5 | 2 |
| 1 | 2020/2/8 | 6 | 2 |
| 2 | 2020/2/1 | 1 | 0 |
| 2 | 2020/2/4 | 2 | 2 |
| 2 | 2020/2/5 | 3 | 2 |
| 2 | 2020/2/6 | 4 | 2 |
| 2 | 2020/2/7 | 5 | 2 |
| 2 | 2020/2/8 | 6 | 2 |
看上面的结果表，有没有看出点意思来，连续打卡日期的day_cha都是相等的，比如uid=1的2020/2/3和2020/2/4是连续的，他们的day_cha都是1。到这里，如果我们要获取连续打卡天数是不是就很容易了。
不过这里面还有一个问题，就是连续打卡天数是截止目前最近的一个 连续打卡天数还是历史坚持最长的打卡天数，这就是传说中的口径问题哈。虽然在我们这个例子里面，这两种打卡天数的出来的结果是一样的，但是有的时候会是不一样的，比如下面这样的例子：
| uid | tdate | is_flag |
|---|---|---|
| 1 | 2020/2/1 | 1 |
| 1 | 2020/2/2 | 0 |
| 1 | 2020/2/3 | 1 |
| 1 | 2020/2/4 | 1 |
| 1 | 2020/2/5 | 1 |
| 1 | 2020/2/6 | 0 |
| 1 | 2020/2/7 | 1 |
| 1 | 2020/2/8 | 1 |
上面这个例子中，最近连续打卡天数是2，历史最长的连续打卡天数却是3。
好了，我们继续回到解题上，我们先获取每个用户历史所有连续过得的打卡情况，实现代码如下：
select uid, day_cha, count(tdate) flag_days //后面分组后日期是不一样的，可以统计数量 from (select uid, tdate, date_rank, (date_format(tdate,"%e") - date_rank) as day_cha from ( select uid, tdate, row_number() over(partition by uid order by tdate) date_rank from demo.newtable where is_flag=1 )t1 )t2 group by uid, day_cha;
运行上面的代码，得到如下结果：
| uid | day_cha | flag_days |
|---|---|---|
| 1 | 0 | 1 |
| 1 | 1 | 2 |
| 1 | 2 | 3 |
| 2 | 0 | 1 |
| 2 | 2 | 5 |
要获取最近的连续打卡天数，我们只需要把上表中day_cha这一列最大的值对应的flag_days取出来就可以；要获取历史最久的连续打卡天数，我们只需要把上表中flag_days的最大值取出来就可以。直接再来个子查询就好了。
类似的需求可能还有获取过去连续打卡天数大于某个值的人，只需要筛选上表中的flag_days即可达到目的。只要能够生成上面这样每个人历史所有连续打卡的情况表，那么大部分连续打卡相关的需求都可以通过上表来获得。
很经典的一道题，或者是一种业务场景，大家各自多多练习。