Google 大查询 SQL - 按日期获取最新的唯一值

Question

#EDIT - 根据评论，我重新表述我的问题

我有一个 BigQuery table，我想用它来获取我的应用程序的一些 KPI。在此 table 中，我将每次创建或更新保存为一个新行，以便更好地保存历史记录。所以我有好几次相同的数据但状态不同。

table的例子：

uuid  |status     |date         
––––––|–––––––––––|––––––––––      
3     |'inactive' |2018-05-12
1     |'active'   |2018-05-10
1     |'inactive' |2018-05-08
2     |'active'   |2018-05-08
3     |'active'   |2018-05-04
2     |'inactive' |2018-04-22
3     |'inactive' |2018-04-18

我们可以看到每个数据都有多个值。

我想得到什么:

我想知道当前 'active' 条目的数量（所以后面一定没有 'inactive' 条目具有相同的 uuid）。更复杂的是，我每天需要这个总数。因此，对于每一天，'active' 个条目的数量，包括前几天的条目。

所以对于这个例子我应该得到这个结果：

date        | actives
____________|_________
2018-05-02  |   0
2018-05-03  |   0
2018-05-04  |   1
2018-05-05  |   1
2018-05-06  |   1
2018-05-07  |   1
2018-05-08  |   2
2018-05-09  |   2
2018-05-10  |   3
2018-05-11  |   3
2018-05-12  |   2

实际上，我已经设法获得了一天的大量活性物质。 但我的问题是当我想要每天的结果时。

我试过的:

我有两个解决方案，每个 return 一个不同的错误。

第一个解决方案：

WITH
  dates AS(
      SELECT GENERATE_DATE_ARRAY(
          DATE_SUB(CURRENT_DATE(), INTERVAL 6 MONTH), CURRENT_DATE(), INTERVAL 1 DAY)               
      arr_dates )
SELECT
  i_date date,
  (
  SELECT COUNT(uuid)
  FROM (
    SELECT
      uuid, status, date,
      RANK() OVER(PARTITION BY uuid ORDER BY date DESC) rank
    FROM users
    WHERE
      PARSE_DATE("%Y-%m-%d", FORMAT_DATETIME("%Y-%m-%d",date)) <= i_date
  )
  WHERE
    status = 'active'
    and rank = 1
    ## rank is the condition which causes the error
  ) users
FROM
  dates, UNNEST(arr_dates) i_date
ORDER BY i_date;

带有 RANK() OVER 的 SELECT 正确 returns 具有排名列的用户可以让我知道每个 uuid 的最后一个条目。但是当我尝试这个时，我得到了一个： Correlated subqueries that reference other tables are not supported unless they can be de-correlated, such as by transforming them into an efficient JOIN. 因为 rank = 1 条件。

第二种解决方案：

WITH
  dates AS(
      SELECT GENERATE_DATE_ARRAY(
          DATE_SUB(CURRENT_DATE(), INTERVAL 6 MONTH), CURRENT_DATE(), INTERVAL 1 DAY)               
      arr_dates )
SELECT
  i_date date,
  (
  SELECT
    COUNT(t1.uuid)
  FROM
    users t1
  WHERE
    t1.date = (
      SELECT MAX(t2.date)
      FROM users t2
      WHERE
        t2.uuid = t1.uuid
        ## Here that's the i_date condition which causes problem 
        AND PARSE_DATE("%Y-%m-%d", FORMAT_DATETIME("%Y-%m-%d", t2.date)) <= i_date 
    )
    AND status='active' ) users
FROM
  dates,
  UNNEST(arr_dates) i_date
ORDER BY i_date;

此处，第二个 select 也正常工作，并且正确地 return 计算了当天的活跃用户数。但问题是 当我尝试使用 i_date 来检索多天的数据时。我在这里遇到 LEFT OUTER JOIN cannot be used without a condition that is an equality of fields from both sides of the join. 错误...

哪种方案更能成功？我应该改变什么？

而且，如果我存储数据的方式不好，我应该如何进行才能保持准确的历史记录？

Answer 1

以下适用于 BigQuery 标准 SQL

#standardSQL
SELECT date, COUNT(DISTINCT uuid) total_active 
FROM `project.dataset.table`
WHERE status = 'active'
GROUP BY date 
-- ORDER BY date

Update to address your "rephrased" question :o)
Below example is using dummy data from your question

#standardSQL
WITH `project.dataset.users` AS (
  SELECT 3 uuid, 'inactive' status, DATE '2018-05-12' date UNION ALL
  SELECT 1, 'active', '2018-05-10' UNION ALL
  SELECT 1, 'inactive', '2018-05-08' UNION ALL
  SELECT 2, 'active', '2018-05-08' UNION ALL
  SELECT 3, 'active', '2018-05-04' UNION ALL
  SELECT 2, 'inactive', '2018-04-22' UNION ALL
  SELECT 3, 'inactive', '2018-04-18' 
), dates AS (
  SELECT day FROM UNNEST((
    SELECT GENERATE_DATE_ARRAY(MIN(date), MAX(date))
    FROM `project.dataset.users`
  )) day
), active_users AS (
  SELECT uuid, status, date first, DATE_SUB(next_status.date, INTERVAL 1 DAY) last FROM (
    SELECT uuid, date, status, LEAD(STRUCT(status, date)) OVER(PARTITION BY uuid ORDER BY date ) next_status
    FROM `project.dataset.users` u
  )
  WHERE status = 'active'
)
SELECT day, COUNT(DISTINCT uuid) actives
FROM dates d JOIN active_users u
ON day BETWEEN first AND IFNULL(last, day)
GROUP BY day 
-- ORDER BY day

结果

Row day         actives  
1   2018-05-04  1    
2   2018-05-05  1    
3   2018-05-06  1    
4   2018-05-07  1    
5   2018-05-08  2    
6   2018-05-09  2    
7   2018-05-10  3    
8   2018-05-11  3    
9   2018-05-12  2

Answer 2

我认为这个——或类似的东西——会做你想做的事：

SELECT day,
       coalesce(running_actives, 0) - coalesce(running_inactives, 0)
FROM UNNEST(GENERATE_DATE_ARRAY(DATE('2015-05-11'), DATE('2018-06-29'), INTERVAL 1 DAY)
           ) AS day left join
     (select date, sum(countif(status = 'active')) over (order by date) as running_actives,
             sum(countif(status = 'active')) over (order by date) as running_inactives
      from t
      group by date
     ) a
     on a.date = day
order by day;

具体的解决方案取决于"inactive"是包含当天（如上）还是在第二天生效。两者都以相同的方式处理，即使用活动和非活动的累积总和，然后取差。

为了获取所有日期的数据，这会使用数组和 unnest() 生成日期。如果你有所有天的数据，那一步可能是不必要的

Google 大查询 SQL - 按日期获取最新的唯一值

Google Big Query SQL - Get most recent unique value by date

sql

google-bigquery

google-data-studio