leetcode 1645 Hopper公司查询2(postgresql)

news2024/9/25 15:27:11

需求

表: Drivers

±------------±--------+
| Column Name | Type |
±------------±--------+
| driver_id | int |
| join_date | date |
±------------±--------+
driver_id是该表的主键。
该表的每一行均包含驾驶员的ID以及他们加入Hopper公司的日期。

表: Rides

±-------------±--------+
| Column Name | Type |
±-------------±--------+
| ride_id | int |
| user_id | int |
| requested_at | date |
±-------------±--------+
ride_id是该表的主键。
该表的每一行均包含行程ID(ride_id),用户ID(user_id)以及该行程的日期(requested_at)。
该表中可能有一些不被接受的乘车请求。

表: AcceptedRides

±--------------±--------+
| Column Name | Type |
±--------------±--------+
| ride_id | int |
| driver_id | int |
| ride_distance | int |
| ride_duration | int |
±--------------±--------+
ride_id是该表的主键。
该表的每一行都包含已接受的行程信息。
表中的行程信息都在“Rides”表中存在。

编写SQL查询以报告2020年每个月的工作驱动因素百分比(working_percentage),其中:

注意:如果一个月内可用驾驶员的数量为零,我们认为working_percentage为0。

返回按month升序排列的结果表,其中month是月份的编号(一月是1,二月是2,等等)。将working_percentage四舍五入至小数点后两位。

查询结果格式如下例所示。

案例 1:

表 Drivers:
±----------±-----------+
| driver_id | join_date |
±----------±-----------+
| 10 | 2019-12-10 |
| 8 | 2020-1-13 |
| 5 | 2020-2-16 |
| 7 | 2020-3-8 |
| 4 | 2020-5-17 |
| 1 | 2020-10-24 |
| 6 | 2021-1-5 |
±----------±-----------+

表 Rides:
±--------±--------±-------------+
| ride_id | user_id | requested_at |
±--------±--------±-------------+
| 6 | 75 | 2019-12-9 |
| 1 | 54 | 2020-2-9 |
| 10 | 63 | 2020-3-4 |
| 19 | 39 | 2020-4-6 |
| 3 | 41 | 2020-6-3 |
| 13 | 52 | 2020-6-22 |
| 7 | 69 | 2020-7-16 |
| 17 | 70 | 2020-8-25 |
| 20 | 81 | 2020-11-2 |
| 5 | 57 | 2020-11-9 |
| 2 | 42 | 2020-12-9 |
| 11 | 68 | 2021-1-11 |
| 15 | 32 | 2021-1-17 |
| 12 | 11 | 2021-1-19 |
| 14 | 18 | 2021-1-27 |
±--------±--------±-------------+

表 AcceptedRides:
±--------±----------±--------------±--------------+
| ride_id | driver_id | ride_distance | ride_duration |
±--------±----------±--------------±--------------+
| 10 | 10 | 63 | 38 |
| 13 | 10 | 73 | 96 |
| 7 | 8 | 100 | 28 |
| 17 | 7 | 119 | 68 |
| 20 | 1 | 121 | 92 |
| 5 | 7 | 42 | 101 |
| 2 | 4 | 6 | 38 |
| 11 | 8 | 37 | 43 |
| 15 | 8 | 108 | 82 |
| 12 | 8 | 38 | 34 |
| 14 | 1 | 90 | 74 |
±--------±----------±--------------±--------------+

结果表:
±------±-------------------+
| month | working_percentage |
±------±-------------------+
| 1 | 0.00 |
| 2 | 0.00 |
| 3 | 25.00 |
| 4 | 0.00 |
| 5 | 0.00 |
| 6 | 20.00 |
| 7 | 20.00 |
| 8 | 20.00 |
| 9 | 0.00 |
| 10 | 0.00 |
| 11 | 33.33 |
| 12 | 16.67 |
±------±-------------------+

截至1月底 --> 2个活跃的驾驶员 (10, 8),无被接受的行程。百分比是0%。
截至2月底 --> 3个活跃的驾驶员 (10, 8, 5),无被接受的行程。百分比是0%。
截至3月底 --> 4个活跃的驾驶员 (10, 8, 5, 7),1个被接受的行程 (10)。百分比是 (1 / 4) * 100 = 25%。
截至4月底 --> 4个活跃的驾驶员 (10, 8, 5, 7),无被接受的行程。百分比是 0%。
截至5月底 --> 5个活跃的驾驶员 (10, 8, 5, 7, 4),无被接受的行程。百分比是 0%。
截至6月底 --> 5个活跃的驾驶员 (10, 8, 5, 7, 4),1个被接受的行程 (10)。 百分比是 (1 / 5) * 100 = 20%。
截至7月底 --> 5个活跃的驾驶员 (10, 8, 5, 7, 4),1个被接受的行程 (8)。百分比是 (1 / 5) * 100 = 20%。
截至8月底 --> 5个活跃的驾驶员 (10, 8, 5, 7, 4),1个被接受的行程 (7)。百分比是 (1 / 5) * 100 = 20%。
截至9月底 --> 5个活跃的驾驶员 (10, 8, 5, 7, 4),无被接受的行程。百分比是 0%。
截至10月底 --> 6个活跃的驾驶员 (10, 8, 5, 7, 4, 1) 无被接受的行程。百分比是 0%。
截至11月底 --> 6个活跃的驾驶员 (10, 8, 5, 7, 4, 1),2个被接受的行程 (1, 7)。百分比是 (2 / 6) * 100 = 33.33%。
截至12月底 --> 6个活跃的驾驶员 (10, 8, 5, 7, 4, 1),1个被接受的行程 (4)。百分比是 (1 / 6) * 100 = 16.67%。

输入

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

输出

with t1 as (SELECT to_char(generate_series(timestamp '2020-01-01', timestamp '2020-12-01', interval '1 month'),
                           'YYYY-MM') AS month),
     t2 as (select *,
                   to_char(join_date, 'YYYY-MM')                                   as date1,
                   sum(1) over (rows between unbounded preceding and current row ) as rn1
            from Drivers),
     t3 as (select month, max(rn1) over (rows between unbounded preceding and current row ) as active_drivers, driver_id
            from t1
                     left join t2
                               on t1.month = t2.date1),
     t4 as (select to_char(requested_at, 'YYYY-MM') as date2, a.ride_id
            from rides r
                     left join acceptedrides a on r.ride_id = a.ride_id),t5 as (
               select month,count(ride_id) as cnt
from t1 left join t4
on t1.month=t4.date2
group by month
)
select substring(t3.month,6,7) as month,round(((cnt::float/active_drivers)*100)::numeric,2)::text as working_percentage
from t3 left join t5
on t3.month=t5.month
order by t3.month;

在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2104813.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

【JAVA入门】Day27 - 单列集合体系结构综述

【JAVA入门】Day27 - 单列集合体系结构 文章目录 【JAVA入门】Day27 - 单列集合体系结构1.1 Collection 集合的基本方法1.2 Collection 集合的遍历方式1.2.1 迭代器遍历1.2.2 增强 for 遍历1.2.3 利用 Lambda 表达式进行遍历 1.3 List 集合的基本方法1.4 List 集合的遍历方式 J…

云手机怎样简化海外社媒平台运营

随着越来越多的卖家希望拓展海外市场,运营TikTok、Facebook等社交媒体平台已经成为吸引流量和促进销售的重要手段。然而,在管理海外社媒账号的过程中,许多人会面临网络连接的问题。这时,使用一款高效便捷的云手机工具就显得尤为便…

企业财税自动化解决方案案例分享与经验总结

数字经济时代,企业在财税管理方面面临着越来越多的挑战,作为企业运营的核心部分,其效率和准确性直接关系到企业的财务健康和决策效率。为全面提升财务管理工作的效率和质量,推动业财融合,许多企业开始探索,…

ML17_变分推断01:KL散度、ELBO

1. KL散度 KL散度(Kullback-Leibler divergence),也称为相对熵(relative entropy),是由Solomon Kullback和Richard Leibler在1951年引入的一种衡量两个概率分布之间差异的方法。KL散度不是一种距离度量&am…

Flutter的升级和降级步骤

升级 1.版本升级 // 升级到指定版本 flutter upgrade 版本号 // 升级到最新版本 flutter upgrade 2. 更新开发配置 启动 Android Studio。 打开 Settings 对话框,查看 SDK Manager。 如果你已经打开了一个项目,请打开 Tools > SDK Manager。 如果…

设置Virtualbox虚拟机共享文件夹

由于工作环境的原因,选择Virtualbox的方式安装虚拟操作系统,常用的操作系统为ubuntu,不知道道友是否也曾遇到这样的问题,就是虚拟机和主机进行文件拖拽的时候,会因为手抖造成拖拽失败,虚拟机界面显示大个的…

CCSI: 用于无数据类别增量学习的持续类别特定印象|文献速递--基于深度学习的医学影像病灶分割

Title 题目 CCSI: Continual Class-Specific Impression for data-free class incremental learning CCSI: 用于无数据类别增量学习的持续类别特定印象 01 文献速递介绍 当前用于医学图像分类任务的深度学习模型表现出了令人鼓舞的性能。然而,这些模型大多要求…

python 怎样计算字符串的长度

python 计算字符串长度,一个中文算两个字符,先转换成utf8,然后通过计算utf8的长度和len函数取得的长度,进行对比即可知道字符串内中文字符的数量,自然就可以计算出字符串的长度了。 valueu脚本12 length len(value) u…

电车买不了保险?就该车企负责

文 | AUTO芯球 作者 | 雷慢 买电车的真是太糟心了, 来看这个车主,去年保费4200,今年保险公司拒保了, 车主说要投诉,保险公司就扔过来一张1万5的报价单。 你不是要保险吗,买吧! 我告诉你们&…

安装破解激活pycharm

装pycharm之前先装python 激活方式版本不能过新,要22年1月及其之前的版本,下拉找到对应版本的专业版 Other Versions - PyCharmGet past releases and previous versions of PyCharm.https://www.jetbrains.com/pycharm/download/other.html 2.下载电脑…

【支付】PayPal支付通道 Java对接 (下单 付款 确认 退款 查询 回调)

使用Java 对接 PayPal 接口,从下单,支付,确认订单、查询、退款、退款查询、回调处理等全流程代码示例,以及图文说明。 PayPal接口调用时序图 #mermaid-svg-WARCfGOa6JcsCAch {font-family:"trebuchet ms",verdana,aria…

深度学习的发展历程

深度学习的起源 在机器学习中,我们经常使用两种方式来表示特征:局部表示(Local Representation)和分布式表示(Distributed Representation)。以颜色表示为例,见下图: 要学习到一种好…

探索NVIDIA RTX 4060 8G与RTX 3060 12G:性能与适用场景的深度解析

在考虑NVIDIA RTX 4060 8G和RTX 3060 12G两种配置时,我们需要根据具体的应用场景来做出选择。RTX 4060 8G显卡以其较快的处理速度而著称,适合需要快速响应的任务,如实时渲染、视频编辑和部分机器学习任务。而RTX 3060 12G显卡则因其较大的显存…

依托自研力量,给共享集群存储服务一个优选

YashanDB共享集群有三大关键组件,崖山集群服务(YCS)、崖山集群文件系统(YFS)、DB组件。上一篇共享集群系列文章《为何共享集群的高可用能力被频频称赞,它的机制有何不同?》深入解析了关键组件的…

第九届“创客中国”生成式人工智能中小企业创新创业大赛复赛圆满落幕

9月3日,第九届“创客中国”生成式人工智能(AIGC)中小企业创新创业大赛复赛在南昌高新区艾溪湖畔圆满落幕,共有11组企业项目和10组创客项目凭借其卓越的项目展示、深刻的市场洞察以及前瞻的技术应用,脱颖而出,成功晋级至激动人心的决赛阶段。 本次大赛由工业和信息化信息中心主办…

多池化策略揭秘:PVAFN如何实现更精准的3D物体识别?

更多优质内容,请关注公众号:智驾机器人技术前线 1.论文信息 论文标题:PVAFN: Point-Voxel Attention Fusion Network with Multi-Pooling Enhancing for 3D Object Detection 作者:Yidi Li, Jiahao Wen, Bin Ren, Wenhao Li, Zh…

传统CV算法——基于Sift算法实现特征点检测

图像尺度空间 在一定的范围内,无论物体是大还是小,人眼都可以分辨出来,然而计算机要有相同的能力却很难,所以要让机器能够对物体在不同尺度下有一个统一的认知,就需要考虑图像在不同的尺度下都存在的特点。 尺度空间的…

【练习5】简写单词

地址:简写单词_牛客题霸_牛客网 (nowcoder.com) 分析: 1.用到in.charAt(i)方法,可以实现读取下一个由空白字符分隔的输入字符串,并返回这个字符串的第一个字符。 2.ch-32可以实现小写字母转大写字母。 public static void main(St…

微积分复习笔记 Calculus Volume 1 -1.4 Inverse Functions

1.4 Inverse Functions - Calculus Volume 1 | OpenStax

[数据集][目标检测]汽油检泄漏检测数据集VOC+YOLO格式237张2类别

数据集格式:Pascal VOC格式YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数):237 标注数量(xml文件个数):237 标注数量(txt文件个数):237 标注类别…