如何按动态时间间隔聚合数据

Question

使用 psql 我想计算每个唯一访问者。

唯一身份访问者是指在不到一小时之前访问过的访问者。

因此，对于以下几行用户和时间戳，我们将获得 4 个唯一身份访问者的总数，其中 user1 和 user2 分别计为 2。

请注意，我不想在 24 小时内按小时汇总。我想在用户首次访问的时间戳后一小时内进行汇总。

我猜一个直接的 sql 表达式不会这样做。

user1,"2015-07-13 08:28:45.247000" 
user1,"2015-07-13 08:30:17.247000"
user1,"2015-07-13 09:35:00.030000" 
user1,"2015-07-13 09:54:00.652000"
user2,"2015-07-13 08:28:45.247000" 
user2,"2015-07-13 08:30:17.247000"
user2,"2015-07-13 09:35:00.030000" 
user2,"2015-07-13 09:54:00.652000"

所以 user1 在 8:28 到达，这算作一次命中。他在 8 点 30 分回来，这算零。然后他在 9 点 35 分回来，这距离 8 点 30 分还有一个多小时，所以他又受到了打击。然后他在 9:35 回来，距离上次 9:30 仅 5 分钟，所以这算为零。 user1 的总命中数为 2。 user2 也发生了同样的事情，这意味着两次点击，每一次都使其最终达到 4 次。

Answer 1

这是一种方法：

select count(*)
from t
where not exists (select 1
                  from t t2
                  where t2.user = t.user and
                        t2.timestamp < t.timestamp and
                        t2.timestamp > t.timestamp - interval '1 hour'
                 );

编辑：

如果重复的时间戳是一个潜在问题，您可以使用count(distinct user, timestamp)。

注意：user 和 timestamp 都是关键字，user 是保留的。希望您的实际列被命名为其他名称。

where 子句仅保留前一小时用户没有其他记录的记录。这就是您对“新”用户的定义，因此汇总计数应该是您要查找的内容。

Answer 2

除了定义中的极端情况 (see comment)，这个查询比我在 Postgres 9.4 上的本地测试中提供的 @Gordon 快很多倍，无论有没有索引：

SELECT count(ct)
FROM  (
   SELECT user_id, CASE WHEN lead(created_at, 1, 'infinity' )
                      OVER (PARTITION BY user_id ORDER BY created_at)
                 > created_at + interval '1h' THEN true ELSE NULL END AS ct
   FROM   tbl
   ) sub;

核心功能是窗口函数lead() 为当前用户查找“下一个”行。如果下一行距离超过一个小时，则此行计算在内。

lead() 具有经常被忽视的功能，可以为缺失的行提供默认值。填写'infinity' 覆盖角盒。

此查询适用于 timestamp 列 created_at 中的 NULL 值（未计数）或重复值（仅 1 行计数）。

获得最佳性能的关键是多列索引：

CREATE INDEX tbl(user_id, created_at);

对于“唯一访问者”的防弹定义，不同的查询样式可能更好。