【Uber 面试真题】SQL ：每个星期连续5星评价最多的司机

大家好，我是“蒋点数分”，多年以来一直从事数据分析工作。从今天开始，与大家持续分享关于数据分析的学习内容。

本文是第一篇，也是【SQL 周周练】系列的第一篇。该系列是挑选或自编具有一些难度的 SQL 题目，一周至少更新一篇。后续创作的内容，初步规划的方向包括：

后续内容规划

1.利用 Streamlit 实现 Hive 元数据展示、SQL 编辑器、 结合Docker 沙箱实现数据分析 Agent
2.时间序列异常识别、异动归因算法
3.留存率拟合、预测、建模
4.学习 AB 实验、复杂实验设计等
5.自动化机器学习、自动化特征工程
6.因果推断学习
7. .……

欢迎关注，一起学习。

第 1 期题目

题目来源：Uber 面试真题

一、题目介绍

有一张表，记录了乘客对于司机的评价，请找出每个星期当中连续获得 5 星好评最多的 driver_id。列名：driver_id、rating_time、ratings （原题乘客 id 对解答题目是冗余的，故此我在文中省略掉...）连续 5 星，中间出现任意一次非 5 星，则中断。

二、题目思路

想要答题的同学，可以先思考答案。
……

……

……

我来谈谈我的思路，“连续”问题是数据分析师在 SQL 笔试中的“老朋友”了。最常见的就是“连续登录”问题，其大概思路是利用日期减去排序row_number()得到一个“基准日期”用来作为分组标识。这里没有日期，不能生搬硬套。

我们思维变通一下，如果想将连续计数的记录能够放在同一个组里，那么这个分组标识是关键。对于连续 5 星，它们的有什么共同点？是每一个 5 星评价前面有多少个非 5 星（1～4 星）的评价。为了方便理解，我绘制一个简易的说明图：

只需要注意剔除每组开头可能多出来的非 5 星评价，即可完成统计。下面，我用 NumPy 结合一些假设来生成模拟的数据集：

三、生成模拟数据

只关心 SQL 代码的同学，可以跳转到第四节（我在工作中使用 Hive 较多，因此采用 Hive 的语法）

为了简化模拟数据的难度，做如下假设：

1.假设用户下车之后立即评价，评价时间取下车时间
2.司机等待订单、接客送客加在一起的时间间隔，通过指数分布模拟
3.订单的时间间隔，不引入早晚高峰因素，不引入差异化因素 => 对每名司机的参数是一样的
4.司机回家和睡觉的时间，算在一起，用正态分布模拟
5.不引入司机吃饭、出车前休息等个人事务的时间，否则模拟起来太复杂
6.对于司机，只限制每日最多在线时长，不做周、月级别的限制
7.假设存在两类司机：
    a.追求每天达到一个目标收入，达到后则主动收车 => 用单量代替收入
    b.追求每天达到某个在线时长，达到后则主动收车
 8.模拟数据累计后，可能导致的司机日夜规律颠倒 => 违背现实情况，不作调整

模拟代码如下：

1. 定义模拟逻辑需要的常量：

import datetime
import numpy as np
import pandas as pd

# 设置随机数种子
np.random.seed(2025)
# 模拟的司机数量
DRIVER_NUM = 100
# 追求单量的司机数量（不论追求单量还是追求在线时长，都要额外受平台在线时长限制）
PURSUING_ORDER_DRIVER_NUM = 55
# 追求订单的数量取值 (10 ~ 20 单，值太高在其他参数影响下，也取不到)
# 离散均匀分布
pursuing_order_volume = np.random.choice(
    np.arange(10, 21), size=PURSUING_ORDER_DRIVER_NUM
)
# 追求在线时长的司机数量
PURSUING_ONLINE_DRIVER_NUM = DRIVER_NUM - PURSUING_ORDER_DRIVER_NUM
# 追求在线时长的取值 （8小时、8.5小时......12小时）
pursuing_online_duration = np.random.choice(
    np.arange(8, 12.5, 0.5), size=PURSUING_ONLINE_DRIVER_NUM
)
# 模拟数据的日期范围
START_DATETIME = datetime.datetime(2025, 1, 1, 8, 0, 0)
END_DATETIME = datetime.datetime(2025, 5, 1, 23, 59, 59)
# 平均订单时间间隔（单位秒，包含等单+接客+送客，等于评价时间间隔）
ORDER_INTERVAL_AVG = 40 * 60
# 司机平均休息时长（单位秒，包含收车时间）
DRIVER_REST_DURATION_AVG = 8 * 3600
# 司机平均休息时长标准差（单位秒）
DRIVER_REST_DURATION_STD = 30 * 60
# 每日在线时长上限（秒）
ONLINE_DURATION_UPPER_LIMIT = 12 * 3600

2. 模拟订单间隔、乘客评分、休息间隔。为了提高生成速度，尽量一次让 NumPy 生成足够多的数据；用函数封装起来，如果超出了预先生成的数据长度，则开启单次生成：

# 为了一次尽可能将数据模拟全
# 根据参数平均值，来计算出大概需要模拟出多少个订单间隔，再增加 10% 浮动
# round 函数输出 float 类型，需要转为 int 类型，不然后续 numpy 的 size 会报错
ORDER_NUM_NEED_SIMULATION = int(
    round(
        (END_DATETIME - START_DATETIME).days
        * (ONLINE_DURATION_UPPER_LIMIT / ORDER_INTERVAL_AVG)
        * (1 + 0.1),
        0,
    )
)

# 生成模拟的订单间隔
order_interval_simulation = np.random.exponential(
    scale=ORDER_INTERVAL_AVG, size=(DRIVER_NUM, ORDER_NUM_NEED_SIMULATION)
)

# 乘客的评价也一并随机生成
rating_simulation = np.random.choice(
    np.arange(1, 6),
    size=(DRIVER_NUM, ORDER_NUM_NEED_SIMULATION),
    p=[0.01, 0.01, 0.02, 0.06, 0.9],
)

defget_order_interval_and_rating_simulation(driver_id, cnt):
    """
    获取订单间隔时长和订单评分，增加一个函数，
    是为了如果批量随机生成的数据不够用，再单次生成
    """
    if cnt >= ORDER_NUM_NEED_SIMULATION:
        return (
            np.random.exponential(scale=ORDER_INTERVAL_AVG),
            np.random.choice(np.arange(1, 6), p=[0.01, 0.01, 0.02, 0.06, 0.9]),
        )
    else:
        return (
            order_interval_simulation[driver_id][cnt],
            rating_simulation[driver_id][cnt],
        )

# 模拟休息的数据( 在线加休息的和有可能小于 24 小时 )
REST_NUM_NEED_SIMULATION = int(
    round((END_DATETIME - START_DATETIME).days * (1 + 0.1), 0)
)

rest_interval_simulation = (
    np.clip(
        np.random.normal(loc=8, scale=0.5, size=(DRIVER_NUM, REST_NUM_NEED_SIMULATION)),
        a_min=6,
        a_max=12,
    )
    * 3600
)

defget_rest_interval_simulation(driver_id, cnt):
    """
    获取休息间隔时长，增加一个函数，是为了如果批量随机生成的
    数据不够用，再单次生成
    """
    if cnt >= REST_NUM_NEED_SIMULATION:
        return np.clip(np.random.normal(loc=8, scale=0.5), a_min=6, a_max=12) * 3600
    else:
        return rest_interval_simulation[driver_id][cnt]

3. 根据假设的逻辑，生成司机的全部数据。注意司机休息的判断条件，以及中间变量清零的处理：

table_data = {"driver_id": [], "rating_time": [], "ratings": []}

for driver_id inrange(DRIVER_NUM):
    order_cnt = 0# 第几个订单
    rest_cnt = 0# 第几次休息
    last_time = START_DATETIME
    # 当前累计在线时间，注意单位是秒
    current_online_time = 0
    # 当天的订单，追求订单的司机需要这个变量
    current_order_cnt = 0
    whileTrue:
        table_data["driver_id"].append(driver_id)
        order_interval, rating = get_order_interval_and_rating_simulation(
            driver_id, order_cnt
        )
        last_time = last_time + datetime.timedelta(seconds=int(order_interval))
        table_data["rating_time"].append(last_time)
        table_data["ratings"].append(rating)

        # 当天累计在线时间增加
        current_online_time += order_interval
        # 订单序号加一
        order_cnt += 1
        # 当天订单数量加一
        current_order_cnt += 1

        # 当天累计时间超过平台限制，需要去休息
        rest_flag_1 = current_online_time >= ONLINE_DURATION_UPPER_LIMIT
        # 前面的司机追求订单数
        rest_flag_2 = (
            driver_id < PURSUING_ORDER_DRIVER_NUM
            and current_order_cnt >= pursuing_order_volume[driver_id]
        )
        # 后面的司机追求在线时长
        rest_flag_3 = (
            driver_id >= PURSUING_ORDER_DRIVER_NUM
            and current_online_time
            >= pursuing_online_duration[driver_id - PURSUING_ORDER_DRIVER_NUM]
        )

        if rest_flag_1 or rest_flag_2 or rest_flag_3:
            # 增加休息时间
            reset_interval = int(get_rest_interval_simulation(driver_id, rest_cnt))
            last_time = last_time + datetime.timedelta(seconds=reset_interval)
            # 当天累计在线时长清零
            current_online_time = 0
            # 当天累计订单数清零
            current_order_cnt = 0
            # 休息次数加一
            rest_cnt += 1

        # 达到项目总体模拟结束时间，跳出
        if last_time > END_DATETIME:
            break

4. 将模拟的数据转为 pd.DataFrame 并输出为 csv 文件；创建 Hive 表，并将数据 load 到表中：

df = pd.DataFrame(table_data)
df["driver_id"] = "driver_" + df["driver_id"].astype("str").str.zfill(2)
df.to_csv(
    "./dwd_uber_simulation_rating_detail.csv",
    sep=",",
    encoding="utf-8-sig",
    index=False,
    header=False,
)

from pyhive import hive

# 配置连接参数
host_ip = "127.0.0.1"
port = 10000
username = "蒋点数分"

with hive.Connection(host=host_ip, port=port) as conn:
    cursor = conn.cursor()

    create_table_sql = """
    CREATE TABLE IF NOT EXISTS data_exercise.dwd_uber_simulation_rating_detail (
        driver_id STRING COMMENT '司机id',
        rating_time TIMESTAMP COMMENT '评价时间',
        ratings TINYINT COMMENT '评分等级，1～5 星'
    )
    COMMENT 'Uber 乘客对司机评分表，模拟数据 | 文章编号 7c98d8ef'
    ROW FORMAT DELIMITED
    FIELDS TERMINATED BY ','
    STORED AS TEXTFILE
    """

    cursor.execute(create_table_sql)

    import os

    load_data_sql = f"""
    LOAD DATA LOCAL INPATH "{os.getcwd() + '/dwd_uber_simulation_rating_detail.csv'}"
    OVERWRITE INTO TABLE data_exercise.dwd_uber_simulation_rating_detail
    """

    cursor.execute(load_data_sql)

5. 将查询的 SQL，利用 pd.read_sql_query 读取查询结果。注意此段代码，仍然位于 with 上下文中：

    select_data_sql = '''
        with calc_table as (
            select
              driver_id, date_format(rating_time, 'yyyy年ww周') as year_week -- 从周日开始算新的一周
            , sum(if(ratings <> 5, 1, 0)) over(partition by driver_id, date_format(rating_time, 'yyyy年ww周') order by rating_time asc) as cnt_tag
            , ratings
            from data_exercise.dwd_uber_simulation_rating_detail
        ) 

        , calc_continuous_five_table as (
            select
              driver_id, year_week, cnt_tag
            , sum(1) as continuous_five -- sum(if(raings=5,1,0))
            , rank() over(partition by year_week order by sum(1) desc) as rk
            from calc_table
            where ratings = 5
            group by driver_id, year_week, cnt_tag
        )

        select
          year_week
        -- 可能有司机并列，使用 collect
        -- 如果一名司机连续 5 星的次数最高，且出现了两次，那么会重复
        -- 因此使用 set
        , collect_set(driver_id) as most_continuous_five_start_drivers
        from calc_continuous_five_table
        where rk = 1
        group by year_week
    '''

    df_outcome = pd.read_sql_query(select_data_sql, conn)

# 在 Jupter 环境下，显示结果
display(df_outcome)

我使用 PyHive 包实现 Python 操作 Hive。我个人电脑部署了 Hadoop 及 Hive，但是没有开启认证，企业里一般常用 Kerberos 来进行大数据集群的认证。

四、SQL 解答

我采用 CTE 的写法来嵌套逻辑转为串行，这样写对于复杂 SQL 的逻辑梳理具有一定帮助。使用窗口函数 count(if(rating<>5,rating,null)) 或 sum(if(rating<>5,1,0)) 来统计 1~4 星评价的数量。

“每周”因此需要使用 date_format 来提取年份和周 => partition by driver_id, date_format(rating_time, 'yyyy年ww周')；使用 order by rating_time asc 时，统计的窗口范围默认是 rows between preceding unbounded and current row，写清楚更好。

注意因为统计的逻辑是截至当前行，所以第一个 5 星评价前的那个 1～4 星，它的计数标识跟 5 星是一样的。所以需要 where 过滤，当然也可以在后续聚合统计时，使用条件处理 sum(if(raings=5,1,0))。

最终结果使用 collect_set 将 driver_id 形成去重数组：一方面可能每个星期有司机连续 5 星好评数并列第一；另一方面极端情况下，连续 5 星好评最多的那个司机如果最多的连续 5 星好评数一周内出现了多次，则这个 driver_id 会出现多次，这是为什么不用 collect_list 的原因。

with calc_table as (
    select
      driver_id, date_format(rating_time, 'yyyy年ww周') as year_week -- 从周日开始算新的一周
    , sum(if(ratings <>5, 1, 0)) over(partitionby driver_id, date_format(rating_time, 'yyyy年ww周') orderby rating_time asc) as cnt_tag
    , ratings
    from data_exercise.dwd_uber_simulation_rating_detail
) 

, calc_continuous_five_table as (
    select
      driver_id, year_week, cnt_tag
    , sum(1) as continuous_five -- sum(if(raings=5,1,0))
    , rank() over(partitionby year_week orderbysum(1) desc) as rk
    from calc_table
    where ratings =5
    groupby driver_id, year_week, cnt_tag
)

select
  year_week
-- 可能有司机并列，使用 collect
-- 如果一名司机连续 5 星的次数最高，且出现了两次，那么会重复
-- 因此使用 set
, collect_set(driver_id) as most_continuous_five_start_drivers
, max(continuous_five) as continuous_five
from calc_continuous_five_table
where rk =1
groupby year_week

需要注意的是，date_format 的 w 参数是从周日开始算新的一周。我这里偷懒就不改成按照周一为新的一周来计算。

最简单的思路是将实际日期往前挪一天，但是周数与跨年问题，往往容易引起混淆，实际使用时需要小心处理。严谨起见，应查询 ISO 8601 的规定。

我现在正在求职数据类工作（主要是数据分析或数据科学）；如果您有合适的机会，恳请您与我联系，即时到岗，不限城市。您可以发送私信或联系我（全网同名：蒋点数分）。