数据仓库-按周的累加和统计月数据

简介: 公司要出一报表,计算某月数据,并按周数据的累加计算出月的数据,这里周的划分是自己规定,比如5.3号属于4月的18周,不是5月的周,格式类似这样 model cd,流通类型code,客户类型code,總重點賣場數,week19%,week19 因此在根据周的累...
公司要出一报表,计算某月数据,并按周数据的累加计算出月的数据,这里周的划分是自己规定,比如5.3号属于4月的18周,不是5月的周,格式类似这样
model cd,流通类型code,客户类型code,總重點賣場數,week19%,week19

因此在根据周的累加和统计月的数据方法如下

SELECT  /*+ FULL(T1) FULL(T2) USE_HASH(T1) */
                                T1.BASE_YW
                                ,T_LOCL.BRNC_ID
                                ,MAX(T_LOCL.BRNC_NM) BRNC_ID_NM
                                ,T_LOCL.OFFC_ID
                                ,MAX(T_LOCL.OFFC_NM) OFFC_ID_NM
                                ,T1.SHOP_ID
                                ,T_MODL.MKT_MODL_ID
                                ,T_MODL.BASC_MODL
                                ,T_CHNL.BI_CHNL_TP_02
                                ,MAX(T_BI_CHNL_TP_02.CODE_NM) BI_CHNL_TP_02_NM
                                ,T_CHNL.BI_CHNL_TP_03
                                ,MAX(T_BI_CHNL_TP_03.CODE_NM) BI_CHNL_TP_03_NM
                                ,SUM(PSI_VAL) PSI_VAL
                                ,MAX(T_YW.YW_RNK) YW_RNK
                        FROM    MCS_BI.DM_BI_TPS_SHOP_01_YW T1 --对应规定周
                                ,T_MODL --对应自然月
 /*一 周和自然月的第一周关联 这里是5.3号统计数据
5.3号在规定周里是18周最后一天 4.27-5.3
在自然月里是5月第一周,前三天 5.1-5.3
这两个时间段数据连接,能取出5.1-5.3的数据
二 5.8号在规定周里是19周 5.3-5.10
   在自然月里是5月第一周 5.1-5.8
这两个时间段数据连接,能取出5.3-5.8的数据
因此计算19周数据可以先算出19周数据 从5.3开始的数据,然后计算18周的数据截至到5.3号的数据,这样数据就完整连接上了 */
                                ,T_SHOP
                                ,T_LOCL
                                ,T_REGN
                                ,T_CHNL
                                ,T_YW
                                ,MCS_HQ.CD_CODE_LIST T_BI_CHNL_TP_02
                                ,MCS_HQ.CD_CODE_LIST T_BI_CHNL_TP_03
                        WHERE   T1.BASE_YW >= (SELECT MIN(A.BASE_YW) FROM MCS_HQ.MA_BASE_YW A WHERE A.WEEK_YM = '201504')
                        AND     T1.BASE_YW                         AND     T_YW.BASE_YW = T1.BASE_YW
                        AND     T1.BI_CHNL_PSI_TP = 'I3F'  --or SOF
                        AND     T1.SHOP_ID = T_SHOP.SHOP_ID
                        AND     T_MODL.MODL_CD = T1.MODL_CD
                        AND     T_SHOP.CITY_ID = T_REGN.CITY_ID
                        AND     T_SHOP.OFFC_ID = T_LOCL.OFFC_ID
                        AND     T_CHNL.CHNL_ID(+) = T_SHOP.SUPP_CHNL_ID
                        AND     T_BI_CHNL_TP_02.CODE_DIV(+) = 'BI_CHNL_TP_02'
                        AND     T_BI_CHNL_TP_02.LANG_CD(+) = 'CN'
                        AND     T_BI_CHNL_TP_02.CODE_CD(+) = T_CHNL.BI_CHNL_TP_02
                       
                        AND     T_BI_CHNL_TP_03.CODE_DIV(+) = 'BI_CHNL_TP_03'
                        AND     T_BI_CHNL_TP_03.LANG_CD(+) = 'CN'
                        AND     T_BI_CHNL_TP_03.CODE_CD(+) = T_CHNL.BI_CHNL_TP_03
                       
                        GROUP BY T1.BASE_YW
                                ,T_LOCL.BRNC_ID
                                ,T_LOCL.OFFC_ID
                                ,T1.SHOP_ID
                                ,T_MODL.MKT_MODL_ID
                                ,T_MODL.BASC_MODL
                                ,T_CHNL.BI_CHNL_TP_02
                                ,T_CHNL.BI_CHNL_TP_03
目录
相关文章
|
1月前
|
存储 机器学习/深度学习 数据采集
【专栏】在数字化时代,数据仓库和数据湖成为企业管理数据的关键工具
【4月更文挑战第27天】在数字化时代,数据仓库和数据湖成为企业管理数据的关键工具。数据仓库是经过规范化处理的结构化数据集合,适合支持已知业务需求;而数据湖存储原始多类型数据,提供数据分析灵活性。数据仓库常用于企业决策、财务分析,而数据湖适用于大数据分析、机器学习和物联网数据处理。企业需根据自身需求选择合适的数据存储方式,以挖掘数据价值并提升竞争力。理解两者异同对企业的数字化转型至关重要。
|
13天前
|
存储 SQL Cloud Native
云原生数据仓库AnalyticDB产品使用合集之热数据存储空间在什么地方查看
阿里云AnalyticDB提供了全面的数据导入、查询分析、数据管理、运维监控等功能,并通过扩展功能支持与AI平台集成、跨地域复制与联邦查询等高级应用场景,为企业构建实时、高效、可扩展的数据仓库解决方案。以下是对AnalyticDB产品使用合集的概述,包括数据导入、查询分析、数据管理、运维监控、扩展功能等方面。
|
13天前
|
Cloud Native 关系型数据库 MySQL
云原生数据仓库AnalyticDB产品使用合集之是否支持mysql_fdw 和clickhousedb_fdw外部数据包装器
阿里云AnalyticDB提供了全面的数据导入、查询分析、数据管理、运维监控等功能,并通过扩展功能支持与AI平台集成、跨地域复制与联邦查询等高级应用场景,为企业构建实时、高效、可扩展的数据仓库解决方案。以下是对AnalyticDB产品使用合集的概述,包括数据导入、查询分析、数据管理、运维监控、扩展功能等方面。
110 4
|
13天前
|
监控 Cloud Native 关系型数据库
云原生数据仓库AnalyticDB产品使用合集之如何更新、删除和导入AnalyticDBMySQL数据
阿里云AnalyticDB提供了全面的数据导入、查询分析、数据管理、运维监控等功能,并通过扩展功能支持与AI平台集成、跨地域复制与联邦查询等高级应用场景,为企业构建实时、高效、可扩展的数据仓库解决方案。以下是对AnalyticDB产品使用合集的概述,包括数据导入、查询分析、数据管理、运维监控、扩展功能等方面。
|
13天前
|
运维 Cloud Native 关系型数据库
云原生数据仓库AnalyticDB产品使用合集之一次性最多能查询多少条数据
阿里云AnalyticDB提供了全面的数据导入、查询分析、数据管理、运维监控等功能,并通过扩展功能支持与AI平台集成、跨地域复制与联邦查询等高级应用场景,为企业构建实时、高效、可扩展的数据仓库解决方案。以下是对AnalyticDB产品使用合集的概述,包括数据导入、查询分析、数据管理、运维监控、扩展功能等方面。
|
1月前
|
Cloud Native 关系型数据库 MySQL
云原生数据仓库产品使用合集之在ADB中,如何将源数据的多表(数据结构一致)汇总到一张表
阿里云AnalyticDB提供了全面的数据导入、查询分析、数据管理、运维监控等功能,并通过扩展功能支持与AI平台集成、跨地域复制与联邦查询等高级应用场景,为企业构建实时、高效、可扩展的数据仓库解决方案。以下是对AnalyticDB产品使用合集的概述,包括数据导入、查询分析、数据管理、运维监控、扩展功能等方面。
|
1月前
|
存储 大数据 数据管理
数据仓库(09)数仓缓慢变化维度数据的处理
数据仓库的重要特点之一是反映历史变化,所以如何处理维度的变化是维度设计的重要工作之一。缓慢变化维的提出是因为在现实世界中,维度的属性并不是静态的,它会随着时间的流逝发生缓慢的变化,与数据增长较为快速的事实表相比,维度变化相对缓慢。阴齿这个就叫做缓慢变化维。
266 2
数据仓库(09)数仓缓慢变化维度数据的处理
|
1月前
|
SQL 数据采集 存储
数据仓库(12)数据治理之数仓数据管理实践心得
这边文章聊聊自己对数据治理开发实践的一些思路,就是聊聊怎么开始去做数据治理这件事情。说起数据治理,有时候虽然看了很多文章,看了很多的介绍,了解数据治理的理论,但是实际上需要我们去搞的时候,就会踩很多的坑。这里记一下自己做数据治理的一些思路,做做笔记,也分享给需要的同学。 当然,想要做数据治理,想要学习了解,一下数据治理的范围,理论等,最好可以看看别人怎么做的,了解数据治理可以参考:[数据仓库(11)什么是大数据治理,数据治理的范围是哪些](https://zhuanlan.zhihu.com/p/467433967)。
335 0
|
1月前
|
存储 监控 大数据
数据仓库(11)什么是大数据治理,数据治理的范围是哪些
什么是数据治理,数据治理包含哪些方面?大数据时代的到来,给了我们很多的机遇,也有很多的挑战。最基础的调整也是大数据的计算和管理,数据治理是一个特别重要的大数据基础,他保证着数据能否被最好的应用,保证着数据的安全,治理等。那么数据治理到底能治什么,怎么治?
103 0
|
1月前
|
存储 机器学习/深度学习 数据挖掘
数据仓库与数据湖:解析数据驱动的未来
在数字化时代,数据成为企业决策的核心资源。本文将深入探讨数据仓库和数据湖的概念、特点以及应用场景,分析其在实现数据驱动决策过程中的重要性和优势,并展望数据驱动的未来发展趋势。
137 5

热门文章

最新文章