常见大数据面试SQL-每年总成绩都有所提升的学生

本文涉及的产品
实时计算 Flink 版,5000CU*H 3个月
智能开放搜索 OpenSearch行业算法版,1GB 20LCU 1个月
实时数仓Hologres,5000CU*H 100GB 3个月
简介: 一张学生成绩表(student_scores),有year-学年,subject-课程,student-学生,score-分数这四个字段,请完成如下问题:问题1:每年每门学科排名第一的学生问题2:每年总成绩都有所提升的学生

一、题目

一张学生成绩表(student_scores),有year-学年,subject-课程,student-学生,score-分数这四个字段,请完成如下问题:

问题1:每年每门学科排名第一的学生

问题2:每年总成绩都有所提升的学生

数据内容如下

+-------+----------+----------+--------+
| year  | subject  | student  | score  |
+-------+----------+----------+--------+
| 2018  | 语文       | A        | 84     |
| 2018  | 数学       | A        | 59     |
| 2018  | 英语       | A        | 30     |
| 2018  | 语文       | B        | 44     |
| 2018  | 数学       | B        | 76     |
| 2018  | 英语       | B        | 68     |
| 2019  | 语文       | A        | 51     |
| 2019  | 数学       | A        | 94     |
| 2019  | 英语       | A        | 71     |
| 2019  | 语文       | B        | 87     |
| 2019  | 数学       | B        | 44     |
| 2019  | 英语       | B        | 38     |
| 2020  | 语文       | A        | 91     |
| 2020  | 数学       | A        | 50     |
| 2020  | 英语       | A        | 89     |
| 2020  | 语文       | B        | 81     |
| 2020  | 数学       | B        | 84     |
| 2020  | 英语       | B        | 98     |
+-------+----------+----------+--------+
AI 代码解读

二、分析

  1. 题目1查询每年每科分数最高的学生,开窗函数考察;可以使用row_number(),rank() 等,由于使用这两个太多,这次使用first_value();
  2. 题目2每年总成绩都有提升,首先是计算每年的成绩,聚合函数sum();然后使用有序计算开窗函数lag()得出上一年分数;
  3. 去掉第一年的数据,即lag()产出结果为空的行;
  4. 本年分数进行比较得出本年是否有进步;
  5. “取全”,要求行数与符合条件行数相同;
  6. 两个问题整体考察了多个开窗函数,考察了“取全部“的逻辑处理,聚合函数;
维度 评分
题目难度 ⭐️⭐️⭐️⭐️
题目清晰度 ⭐️⭐️⭐️⭐️⭐
业务常见度 ⭐️⭐️⭐️⭐️

三、SQL

问题1:每年每门学科排名第一的学生

1.按照年份、学科分组,按照分数排序,计算出相同年份,相同学科排名第一的人,添加到本行

执行SQL

--计算排名第一的人
select year,
       subject,
       student,
       score,
       first_value(student) over (partition by year,subject order by score desc) as first_student
from t_student_scores
AI 代码解读

查询结果

+-------+----------+----------+--------+----------------+
| year  | subject  | student  | score  | first_student  |
+-------+----------+----------+--------+----------------+
| 2018  | 数学       | B        | 76     | B              |
| 2018  | 数学       | A        | 59     | B              |
| 2018  | 英语       | B        | 68     | B              |
| 2018  | 英语       | A        | 30     | B              |
| 2018  | 语文       | A        | 84     | A              |
| 2018  | 语文       | B        | 44     | A              |
| 2019  | 数学       | A        | 94     | A              |
| 2019  | 数学       | B        | 44     | A              |
| 2019  | 英语       | A        | 71     | A              |
| 2019  | 英语       | B        | 38     | A              |
| 2019  | 语文       | B        | 87     | B              |
| 2019  | 语文       | A        | 51     | B              |
| 2020  | 数学       | B        | 84     | B              |
| 2020  | 数学       | A        | 50     | B              |
| 2020  | 英语       | B        | 98     | B              |
| 2020  | 英语       | A        | 89     | B              |
| 2020  | 语文       | A        | 91     | A              |
| 2020  | 语文       | B        | 81     | A              |
+-------+----------+----------+--------+----------------+
AI 代码解读

2.去重,计算出最终结果

执行SQL

select year,
       subject,
       first_student
from (select year, 
             subject, 
             first_value(student) over (partition by year,subject order by score desc) as first_student
      from t_student_scores) t
group by year, subject, first_student
AI 代码解读

查询结果

+-------+----------+----------------+
| year  | subject  | first_student  |
+-------+----------+----------------+
| 2018  | 数学       | B              |
| 2018  | 英语       | B              |
| 2018  | 语文       | A              |
| 2019  | 数学       | A              |
| 2019  | 英语       | A              |
| 2019  | 语文       | B              |
| 2020  | 数学       | B              |
| 2020  | 英语       | B              |
| 2020  | 语文       | A              |
+-------+----------+----------------+
AI 代码解读

问题2:每年总成绩都有所提升的学生

1.计算每年每个学生的总成绩

执行SQL

--每年每个学生总成绩
select year, student, sum(score) as total_score
from t_student_scores
group by year, student
AI 代码解读

查询结果

+-------+----------+--------------+
| year  | student  | total_score  |
+-------+----------+--------------+
| 2018  | A        | 173          |
| 2018  | B        | 188          |
| 2019  | A        | 216          |
| 2019  | B        | 169          |
| 2020  | A        | 230          |
| 2020  | B        | 263          |
+-------+----------+--------------+
AI 代码解读

2.使用lag函数,在本行添加上一学年成绩

执行SQL

select year,
       student,
       total_score,
       lag(total_score) over (partition by student order by year) as last_year_score
from (select year, student, sum(score) as total_score
      from t_student_scores
      group by year, student) t
AI 代码解读

查询结果

+-------+----------+--------------+------------------+
| year  | student  | total_score  | last_year_score  |
+-------+----------+--------------+------------------+
| 2018  | A        | 173          | NULL             |
| 2019  | A        | 216          | 173              |
| 2020  | A        | 230          | 216              |
| 2018  | B        | 188          | NULL             |
| 2019  | B        | 169          | 188              |
| 2020  | B        | 263          | 169              |
+-------+----------+--------------+------------------+
AI 代码解读

3.剔除lag()结果字段为空数据,然后比较判断是否有进步

执行SQL

select year,
       student,
       total_score,
       last_year_score,
       if(total_score > last_year_score, 1, 0) as improve_flag
from (select year,
             student,
             total_score,
             lag(total_score) over (partition by student order by year) as last_year_score
      from (select year, student, sum(score) as total_score
            from t_student_scores
            group by year, student) t) t1
where last_year_score is not null
AI 代码解读

查询结果

+-------+----------+--------------+------------------+---------------+
| year  | student  | total_score  | last_year_score  | improve_flag  |
+-------+----------+--------------+------------------+---------------+
| 2019  | A        | 216          | 173              | 1             |
| 2020  | A        | 230          | 216              | 1             |
| 2019  | B        | 169          | 188              | 0             |
| 2020  | B        | 263          | 169              | 1             |
+-------+----------+--------------+------------------+---------------+
AI 代码解读

4.取每年进步

执行SQL

-- 是否有进步明细
with t_improve as
         (select year,
                 student,
                 total_score,
                 last_year_score,
                 if(total_score > last_year_score, 1, 0) as improve_flag
          from (select year,
                       student,
                       total_score,
                       lag(total_score) over (partition by student order by year) as last_year_score
                from (select year, student, sum(score) as total_score
                      from t_student_scores
                      group by year, student) t) t1
          where last_year_score is not null)
select student
from t_improve
group by student
having count(1) = sum(improve_flag)
AI 代码解读

查询结果

+----------+
| student  |
+----------+
| A        |
+----------+
AI 代码解读

四、建表语句和数据插入

-- 建表语句
CREATE TABLE t_student_scores
(
year STRING,
subject STRING,
student STRING,
score INT )
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
STORED AS TEXTFILE;
-- 数据插入语句
INSERT INTO t_student_scores
(year, subject, student, score) VALUES
(2018, '语文', 'A', 84),
(2018, '数学', 'A', 59),
(2018, '英语', 'A', 30),
(2018, '语文', 'B', 44),
(2018, '数学', 'B', 76),
(2018, '英语', 'B', 68),
(2019, '语文', 'A', 51),
(2019, '数学', 'A', 94),
(2019, '英语', 'A', 71),
(2019, '语文', 'B', 87),
(2019, '数学', 'B', 44),
(2019, '英语', 'B', 38),
(2020, '语文', 'A', 91),
(2020, '数学', 'A', 50),
(2020, '英语', 'A', 89),
(2020, '语文', 'B', 81),
(2020, '数学', 'B', 84),
(2020, '英语', 'B', 98);
AI 代码解读

本文首发数据仓库技术网站常见大数据面试SQL-每年总成绩都有所提升的学生

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
打赏
0
2
2
1
55
分享
相关文章
【Uber 面试真题】SQL :每个星期连续5星评价最多的司机
本文是【SQL周周练】系列的第一篇,作者“蒋点数分”分享了一道来自Uber面试的真题及其解法。题目要求找出每周连续获得5星好评最多的司机ID。文章详细解析了利用SQL窗口函数解决“连续”问题的思路,并通过Python和NumPy生成模拟数据,最终提供Hive SQL解答方案。后续还将涉及Streamlit应用、时间序列分析、AB实验设计等内容,欢迎关注。
143 16
大数据新视界--大数据大厂之MySQL 数据库课程设计:MySQL 数据库 SQL 语句调优的进阶策略与实际案例(2-2)
本文延续前篇,深入探讨 MySQL 数据库 SQL 语句调优进阶策略。包括优化索引使用,介绍多种索引类型及避免索引失效等;调整数据库参数,如缓冲池、连接数和日志参数;还有分区表、垂直拆分等其他优化方法。通过实际案例分析展示调优效果。回顾与数据库课程设计相关文章,强调全面认识 MySQL 数据库重要性。为读者提供综合调优指导,确保数据库高效运行。
大数据新视界--大数据大厂之MySQL数据库课程设计:MySQL 数据库 SQL 语句调优方法详解(2-1)
本文深入介绍 MySQL 数据库 SQL 语句调优方法。涵盖分析查询执行计划,如使用 EXPLAIN 命令及理解关键指标;优化查询语句结构,包括避免子查询、减少函数使用、合理用索引列及避免 “OR”。还介绍了索引类型知识,如 B 树索引、哈希索引等。结合与 MySQL 数据库课程设计相关文章,强调 SQL 语句调优重要性。为提升数据库性能提供实用方法,适合数据库管理员和开发人员。
玩转大数据:从零开始掌握SQL查询基础
玩转大数据:从零开始掌握SQL查询基础
205 35
为什么大数据平台会回归SQL
在大数据领域,尽管非结构化数据占据了大数据平台80%以上的存储空间,结构化数据分析依然是核心任务。SQL因其广泛的应用基础和易于上手的特点成为大数据处理的主要语言,各大厂商纷纷支持SQL以提高市场竞争力。然而,SQL在处理复杂计算时表现出的性能和开发效率低下问题日益凸显,如难以充分利用现代硬件能力、复杂SQL优化困难等。为了解决这些问题,出现了像SPL这样的开源计算引擎,它通过提供更高效的开发体验和计算性能,以及对多种数据源的支持,为大数据处理带来了新的解决方案。
大厂面试高频:4 大性能优化策略(数据库、SQL、JVM等)
本文详细解析了数据库、缓存、异步处理和Web性能优化四大策略,系统性能优化必知必备,大厂面试高频。关注【mikechen的互联网架构】,10年+BAT架构经验倾囊相授。
大厂面试高频:4 大性能优化策略(数据库、SQL、JVM等)
比 SQL 快出数量级的大数据计算技术
SQL 是大数据计算中最常用的工具,但在实际应用中,SQL 经常跑得很慢,浪费大量硬件资源。例如,某银行的反洗钱计算在 11 节点的 Vertica 集群上跑了 1.5 小时,而用 SPL 重写后,单机只需 26 秒。类似地,电商漏斗运算和时空碰撞任务在使用 SPL 后,性能也大幅提升。这是因为 SQL 无法写出低复杂度的算法,而 SPL 提供了更强大的数据类型和基础运算,能够实现高效计算。
大数据-143 - ClickHouse 集群 SQL 超详细实践记录!(一)
大数据-143 - ClickHouse 集群 SQL 超详细实践记录!(一)
257 0
|
9月前
|
大数据-143 - ClickHouse 集群 SQL 超详细实践记录!(二)
大数据-143 - ClickHouse 集群 SQL 超详细实践记录!(二)
184 0
|
9月前
|
大数据-132 - Flink SQL 基本介绍 与 HelloWorld案例
大数据-132 - Flink SQL 基本介绍 与 HelloWorld案例
165 0

相关产品

  • 云原生大数据计算服务 MaxCompute
  • AI助理
    登录插画

    登录以查看您的控制台资源

    管理云资源
    状态一览
    快捷访问

    你好,我是AI助理

    可以解答问题、推荐解决方案等