滴滴数据分析笔试 滴滴数据分析师面试题

作者：逆流

今天给大家分享一道滴滴SQL的笔试题。

题目：

问题：

1.订单的应答率、完单率分别是多少？

2.呼叫应答时间多长？

3.从这一周的数据来看，呼叫量最高的是哪一个小时（当地时间）？

呼叫量最少的是哪一个小时（当地时间）？

4.呼叫订单第二天继续呼叫的比例有多少？

5.如果要对表中乘客进行分类，你认为需要参考哪一些因素？

解题过程：

导入mysql数据库及数据预处理

观察表中时间相关数据结合题目，要做出2步数据预处理

【1】将时间相关列转换格式

【2】按巴西比中国慢11小时，将表中北京时间转换为巴西时间。

-- 利用cast函数转换成日期数据
update didi set
call_time = cast(call_time as datetime),
grab_time = cast(grab_time as datetime),
cancel_time = cast(cancel_time as datetime),
finish_time = cast(finish_time as datetime);
-- 将北京时间调整为巴西时间，date_sub函数
update didi set
call_time = date_sub(call_time,interval 11 hour ),
grab_time = date_sub(grab_time,interval 11 hour ),
cancel_time = date_sub(cancel_time,interval 11 hour ),
finish_time = date_sub(finish_time,interval 11 hour );

处理后数据

问题1：

订单的应答率、完单率分别是多少？

应答率 = 应答订单数 / 呼叫订单数

完单率 = 完成订单数 / 呼叫订单数

select sum(if(year(grab_time)<>1970,1,0))/count(call_time)as '应答率',
sum(if(year(finish_time)<>1970,1,0))/count(call_time)as '完单率'
from didi

问题2：

呼叫应答时间多长？

-- 使用timestampdiff函数，计算应答时间与呼叫时间之间的时长
select sum(TIMESTAMPDIFF(MINUTE,call_time,grab_time))/count(grab_time)as '呼叫应答时间'
from didi
where year(grab_time)<>1970;

问题3：

从这一周的数据来看

呼叫量最高的是哪一个小时（当地时间）？

呼叫量最少的是哪一个小时（当地时间）？

根据题意，需要新增一列数据，订单呼叫时间的小时，进行分组分析

-- 新增一列
alter table didi add column call_time_hour VARCHAR(255);
-- 使用substr函数做字符串截取，为新列赋值
update didi set call_time_hour = SUBSTR(call_time from 12 for 2);

-- 方法2：使用date_format函数转换格式
update didi set call_time_hour = DATE_FORMAT(call_time,'%k')

-- 找出呼叫量最高的小时，显示2行防止出现重复值。
select call_time_hour,count(call_time)as'呼叫量'
from didi
GROUP BY call_time_hour
ORDER BY count(call_time) desc
limit 2;

-- 找出呼叫量最少的小时，显示3行确认是否有第三个相等值。
select call_time_hour,count(call_time)as'呼叫量'
from didi
GROUP BY call_time_hour
ORDER BY count(call_time) asc
limit 3;

得出结论：呼叫量最高的是18时，呼叫量最少的是2和3时。

问题4：

呼叫订单第二天继续呼叫的比例有多少？

select count(DISTINCT a.order_id)/(select count(DISTINCT order_id) from didi)as'第二天继续呼叫比例' 
from didi a join didi b
on a.passenger_id = b.passenger_id
where datediff(a.call_time,b.call_time)=1；

问题5：

如果要对表中乘客进行分类，你认为需要参考哪一些因素？

基于已有的表格中数据，可以参RFM模型对用户进行分类，

R：乘客上一次打车距离3月11日的时间间隔

F：乘客在数据期间的打车频率

M：打车消费金额（表中无打车金额，可以用完成订单总时长代替）