计算一年内每周活跃的不同客户

Question

我正在使用现有的电子商务数据库。其实这个过程一般都是在Excel中完成的，但是我们想直接用PostgreSQL（10.6版）的查询试试。

我们将在 1 年内至少购买过一次的人定义为活跃客户。这意味着，如果我分析 2020 年的第 22 周，活跃客户将是自 2019 年 22 周以来至少购买过一次的客户。

我想要一年中每周（2020 年）的输出。基本上我需要的是...

select
    email,
    orderdate,
    id
from
    orders_table
where
    paid = true;

|---------------------|-------------------|-----------------|
|      email          |     orderdate     |        id       |
|---------------------|-------------------|-----------------|
|  email1@email.com   |2020-06-02 05:04:32|     Order-2736  |
|---------------------|-------------------|-----------------|

我无法创建新表。我希望看到这样的输出：

Year| Week | Active customers
2020| 25   | 6978
2020| 24   | 3948

Answer 1

根据是否有year 和week 列，您可以使用OVER (PARTITION BY ...) 和extract：

SELECT
    extract(year from orderdate),
    extract(week from orderdate),
    sum(1) as customer_count_in_week,
    OVER (PARTITION BY extract(YEAR FROM TIMESTAMP orderdate), 
                       extract(WEEK FROM TIMESTAMP orderdate))
FROM ordertable
WHERE paid=true;

这应该按年和周存储所有订单，从而显示一年中每周的总计数，其中支付是真实的。

参考：

• https://www.postgresql.org/docs/9.1/tutorial-window.html
• https://www.postgresql.org/docs/8.1/functions-datetime.html

Answer 2

如果我分析 2020 年的第 22 周，活跃客户将是自 2019 年 22 周以来至少购买过一次的客户。

你身边的问题

这种方法有一些极端情况的歧义/问题：

• 您是否包括或排除“2020 年第 22 周”？ （我在下面排除它以更接近“一年”。）

• 一年可以有 52 或 53 个整周。根据当前日期，计算基于 52 周或 53 周，导致可能存在近 2% 的偏差！

如果您从“去年的同一日期”开始时间范围，则由于闰年，误差范围仅为 1 / 365 或 ~ 0.3 %。

固定的“365 天”（或 366 天）将完全消除偏差。

SQL 端的问题

很遗憾，window functions 目前不允许使用 DISTINCT 关键字（有充分的理由）。所以某种形式：

SELECT count(DISTINCT email) OVER (ORDER BY year, week
                                   GROUPS BETWEEN 52 PRECEDING AND 1 PRECEDING)
FROM   ...

.. 触发器：

ERROR:  DISTINCT is not implemented for window functions

GROUPS keyword 仅在 Postgres 10 中添加，否则正是我们所需要的。

更重要的是，您的奇数帧定义甚至不会完全起作用，因为要考虑的周数并不总是 52，如上所述。

所以我们必须自己动手。

解决方案

以下仅生成所有感兴趣的周数，并计算每个周的不同客户数。很简单，只是日期数学从来都不是完全简单的。但是，根据您的设置细节，可能会有更快的解决方案。 （我还有其他几个想法。）

报告的时间范围可能会发生变化。这是一个辅助函数，用于生成给定年份的周数：

CREATE OR REPLACE FUNCTION f_weeks_of_year(_year int)
  RETURNS TABLE(year int, week int, week_start timestamp)
  LANGUAGE sql IMMUTABLE STRICT PARALLEL SAFE
  ROWS 52 COST 10 AS
$func$
SELECT _year, d.week::int, d.week_start
FROM   generate_series(date_trunc('week', make_date(_year, 01, 04)::timestamp)  -- first day of first week
                     , LEAST(date_trunc('week', localtimestamp), make_date(_year, 12, 28)::timestamp) -- latest possible start of week
                     , interval '1 week')  WITH ORDINALITY d(week_start, week)
$func$;

呼叫：

SELECT * FROM f_weeks_of_year(2020);

它每周返回 1 行，但在当前年份的当前周停止。 （未来年份的空集。）

计算基于these facts:

• 一年中的第一个 ISO 周始终包含 1 月 4 日。
• 最后一周的 ISO 不能在 12 月 28 日之后开始。

使用WITH ORDINALITY 即时计算实际周数。见：

• PostgreSQL unnest() with element number

除此之外，我坚持使用timestamp 并避免使用timestamptz。见：

• Generating time series between two dates in PostgreSQL

该函数还返回一周开始的时间戳 (week_start)，对于手头的问题，我们不需要它。但我把它留了下来，以使该功能在一般情况下更有用。

使主查询更简单：

WITH weekly_customer AS (
   SELECT DISTINCT
          EXTRACT(YEAR FROM orderdate)::int AS year
        , EXTRACT(WEEK FROM orderdate)::int AS week
        , email
   FROM   orders_table
   WHERE  paid
   AND    orderdate >= date_trunc('week', timestamp '2019-01-04')  -- max range for 2020!
   ORDER  BY 1, 2, 3  -- optional, might improve performance
   )
SELECT d.year, d.week
     , (SELECT count(DISTINCT email)
        FROM   weekly_customer w
        WHERE  (w.year, w.week) >= (d.year - 1, d.week)  -- row values, see below
        AND    (w.year, w.week) <  (d.year    , d.week)  -- exclude current week
       ) AS active_customers
FROM   f_weeks_of_year(2020) d;  -- (year int, week int, week_start timestamp)

db小提琴here

CTE weekly_customer 每个日历周对唯一客户折叠一次，因为重复条目只是我们计算的噪音。它在主查询中多次使用。截止条件再次基于 1 月 4 日。根据您的实际报告期进行调整。

实际计数是通过低相关性子查询完成的。可能是LEFT JOIN LATERAL ... ON true。见：

• What is the difference between LATERAL and a subquery in PostgreSQL?

使用行值比较来简化范围定义。见：

• SQL syntax term for 'WHERE (col1, col2) < (val1, val2)'