如果零日不生成行/数据，如何获得每人每天的平均活动？

Question

我正在对网站订阅者的活动进行一些研究。具体来说，我想查看 2018 年每个订阅者每天的平均点击次数。不幸的是，提供给我的数据表没有考虑订阅者根本不参与网站的天数，但我需要零-天数。

如果我以如下内容开始查询：

SELECT SubscriberID, date_trunc('Day', Date_of_Activity), count(*) as Clicks 
FROM WSD.Clicks 
WHERE Date_Of_Activity between date('2018-01-01') and date('2019-01-01') 
GROUP BY 1,2

...如果每个订阅者在该日期发生了确认的点击，他们将只有一个特定日历日的条目；否则，源数据中不会生成任何行。这会导致平均通胀，因为它只考虑活跃的潜艇；一个人一年中有一天使用该网站并点击 2 次现在相当于一个人一年中使用该网站 300 天每天点击两次。如何让查询为每个订阅者声明一个日历日，并在他们实际上没有记录活动的情况下赋予“0”值？

仅供参考，此表只有几列：

SubscriberID（字符串）、Date_of_Activity（时间戳）、Type_of_Activity （字符串）

我正在 Athena (AWS) 中查询数据。

Answer 1

您可以根据日期列表加入。这可以在 Postgres 中使用 generate_series() 轻松完成：

select c.subscriberid, 
       d.day::date as date_of_activity, 
       count(c.date_of_activity) as clicks 
from generate_series(date '2018-01-01', date '2018-12-31', interval '1' day) as d(day)
  left join clicks c on c.date_of_activity::date = d.day::date 
group by 1,2
order by 1,2;

count() 忽略null 值，当没有匹配时，左连接将在clicks 的列中返回null。所以count(c.Date_Of_Activity) 在那些日子里将返回零。

不过，这也会显示 subscriberid 的空值。如果您想为每个subscriberid/date_of_activity 组合创建假行，则需要交叉加入所有订阅者的列表。请注意，这将在结果中为您提供(number of subscribers) * 365 行！如果您有数百万订阅者，这可能不是您想要的：

select s.subscriberid, 
       d.day::date as date_of_activity, 
       count(c.date_of_activity) as clicks 
from generate_series(date '2018-01-01', date '2018-12-31', interval '1' day) as d(day)
  cross join subscribers s
  left join clicks c on c.date_of_activity::date = d.day::date 
group by 1,2
order by 1,2;

在线示例：https://rextester.com/QIGI84548