利用SQL和Python分别实现人流量查询，考验逻辑思维的时候到了
lcqin 2020-08-19
本来这篇是要写Python的可视化的，但无意中发现了一道题目，发现通过这道题可以很好地锻炼一下逻辑思维能力，而且也可以复习下SQL和Python的编写，于是便决定先写这篇了。
通过这道题我们会发现，其实在分析工作中，最重要的能力是逻辑思维，程序只不过是实现逻辑的工具，没有逻辑思维能力，程序就是无本之源。而且，虽然实现一个结果会有多种逻辑，但好的逻辑会让我们的程序更具简洁性、可观性、高效性。
下面是结合自身理解所总结的两类实现逻辑，我相信肯定还会有更优秀的逻辑在某些大牛的脑中!
案例介绍
案例来源于LeetCode，这样的需求在时间序列数据中还是较为常见的。
某市体育馆每日人流量信息被记录在stadium表的三列信息中：序号 (id)、日期 (visit_date)、 人流量 (people)，找出至少连续三行人流量不少于100的记录。
思路分析
最简单的思路肯定是对stadium表进行三次笛卡尔积连接，但这种方式在数据量大时不可取，而且也不具备泛化性(譬如需求改成至少连续十行)。网上也流传着阿里的编程规范——禁止三表以上的连接。
总之，这种思路不是我们该采取的，我们需要寻找其它思路。
(1)构建等差数列
从上图中我们能发现一个规律，满足条件的数据区域在原始表和结果表中的行编号均是等差数列，两个等差数列的差值是固定的。譬如，数列A1和B1的差值均为1;数列A2和B2的差值均为2。
只要我们保证每块区域等差数列的差值各不相等，那我们就可以通过筛选差值出现的次数来筛选满足条件的区域。例如，差值2出现了4次，满足条件，那该差值对应的记录就是我们需要的数据。
构建差值的方式除了通过行编号外，也还有其它方式，大家可以想一想。
(2)数据切片
从图中可看出，if_true是辅助列，表示是否满足条件，1为True，0为False。我们要选择满足条件的区域，可通过用0对该列进行切片，得到的是全为1的不同长度的小数列，根据每个小数列的长度来筛选满足条件的区域。
在图中就是得到了长度为a和b的数列，通过计算数列的长度来找出满足条件的区域。
程序实现
上节我们选择了两种思路，其中Python两种思路都可以实现，SQL可实现第一种思路。本节用SQL实现第一种思路，用Python实现第二种思路。
(1)SQL
select id,visit_date,people from (select t2.*,count(1) over(partition by rn2) rn3 from (selectt1.*,rn1 - row_number() over(order by visit_date) rn2 from (select *,row_number() over() as rn1 from stadium order by visit_date)t1 #t1表对日期升序排列后生成行编号 where people>=100) t2 #t2表筛选人数不低于100的数据，并用原行编号减去新生成的行编号得到差值 where 1=1) t3 #t3表统计每类差值出现的次数 where rn3>2 #筛选次数大于2的数据即为所需要的数据
因为实际中表中的ID几乎都不是连续的数字，所以为了保证泛化性就先生成了行编号，这样就不用依赖于ID了。
除此之外也还可以通过用户变量等方式实现，大家可以试着想一想。
(2)Python
import pandas as pd
dt=pd.DataFrame({"id":range(1,9),
"visit_date":pd.date_range(start="2017-01-01",periods=8),
"people":[10,109,150,99,145,1455,199,188]})
dt["col1"]=dt["people"].apply(lambda x : 1 if x>=100 else 0)
#生成人数是否不低于100的新列
dt['counter'] = (dt["col1"]==0).cumsum()
#按照col1列是否为0计算累计和，标记每个连续区域
dt = dt[dt["col1"] !=0]
#剔除人数低于100的记录
gb=dt.groupby("counter")["id"].count()
# 统计各标记值的次数
result=dt[dt["counter"].isin(gb[gb>2].index)]
#筛选满足条件的数据 这里有一点需要注意，如果直接将col1列转为字符串按0进行切片的话，虽然可以求出满足条件的区域数量和长度，但很难再寻找到具体的区域。
split_col1="".join([str(i) for i in dt["col1"]]).split("0") 原本是按照的这种思路，但发现寻找长度符合字符串在原列表中的索引时会比较麻烦，尤其是当需要查找多个索引值时。
但此种思路还是非常重要，因为在只是计算连续区域的最大值时会非常简单。
