乐趣区

关于数据库:ClickHouse利器如何提高留存计算速度

jiezi

本文首发于： 行者 AI

对于用户留存是各大数据分析平台必不可少的性能，企业个别用留存率掂量用户的沉闷状况，也是能间接反馈产品性能价值的间接指标，留存率是掂量用户品质的最重要指标之一，因而计算各种留存率是数据分析取数的最底层的基本功。所以上面举几个用户留存剖析的实战例子。

1. 筹备

理解目前留存率几种惯例计算方法、理解 ClickHouse 提供 retention(cond1, cond2, …) 函数计算留存率

建表：用户根本信息表：login_event

CREATE TABLE login_event -- 用户登录事件
(
    `accountId` String COMMENT '账号的 ID', -- 用户惟一 ID
    `ds` Date COMMENT '日期' -- 用户登录日期
)
ENGINE = MergeTree
PARTITION BY accountId
ORDER BY accountId

导数：插入 8 月份用户登录数据 

-- 插入数据
insert into login_event values (10001,toDate('2020-08-01'), (10001,toDate('2020-08-08')), (10001,toDate('2020-08-09')), (10001,toDate('2020-08-10')), (10001,toDate('2020-08-12')),
(10001,toDate('2020-08-13')), (10001,toDate('2020-08-14')), (10001,toDate('2020-08-15')), (10001,toDate('2020-08-16')), (10001,toDate('2020-08-17')), (10001,toDate('2020-08-18')),
(10001,toDate('2020-08-20')), (10001,toDate('2020-08-22')), (10001,toDate('2020-08-23')), (10001,toDate('2020-08-24')), (10002,toDate('2020-08-20')), (10002,toDate('2020-08-22')), (10002,toDate('2020-08-23')), (10002,toDate('2020-08-01')), (10002,toDate('2020-08-11')), (10002,toDate('2020-08-12')), (10002,toDate('2020-08-13')), (10002,toDate('2020-08-20')),
(10002,toDate('2020-08-15')), (10002,toDate('2020-08-30')), (10002,toDate('2020-08-20')), (10002,toDate('2020-08-01')), (10002,toDate('2020-08-06')), (10002,toDate('2020-08-24')), (10003,toDate('2020-08-05')), (10003,toDate('2020-08-08')), (10003,toDate('2020-08-09')), (10003,toDate('2020-08-10')), (10003,toDate('2020-08-11')), (10003,toDate('2020-08-13')),
(10003,toDate('2020-08-15')), (10003,toDate('2020-08-16')), (10003,toDate('2020-08-18')), (10003,toDate('2020-08-20')), (10003,toDate('2020-08-01')), (10003,toDate('2020-08-21')),
(10003,toDate('2020-08-22')), (10003,toDate('2020-08-24')), (10003,toDate('2020-08-26')), (10003,toDate('2020-08-25')), (10003,toDate('2020-08-27')), (10003,toDate('2020-08-28')),
(10003,toDate('2020-08-29')), (10003,toDate('2020-08-30')), (10004,toDate('2020-08-01')), (10004,toDate('2020-08-02')), (10004,toDate('2020-08-03')), (10004,toDate('2020-08-04')),
(10004,toDate('2020-08-05')), (10004,toDate('2020-08-08')), (10004,toDate('2020-08-09')), (10004,toDate('2020-08-10')), (10004,toDate('2020-08-11')), (10004,toDate('2020-08-14')),
(10004,toDate('2020-08-15')), (10004,toDate('2020-08-16')), (10004,toDate('2020-08-17')), (10004,toDate('2020-08-19')), (10004,toDate('2020-08-20')), (10004,toDate('2020-08-21')),
(10004,toDate('2020-08-22')), (10004,toDate('2020-08-23')), (10004,toDate('2020-08-24')), (10004,toDate('2020-08-23')),(10004,toDate('2020-08-23')), (10004,toDate('2020-08-25')),
(10004,toDate('2020-08-27')), (10004,toDate('2020-08-30'));

2. 题目剖析

计算某日沉闷用户的次留、3 留、7 留、14 留、30 留，咱们将问题解决分为三个步骤：

  • 找到某日沉闷用户
  • 找到某日沉闷用户在第 2、3、6、13、29 日的登录状况
  • 计算某日沉闷用户在第 2、3、6、13、29 日登录数，计算 N 日留存率

解决办法一:


-- 计算出 2020-08-01 沉闷用户在第 2、3、6、13、29 日的留存数，计算出留存率
SELECT
    ds,
    count(accountIdD0) AS activeAccountNum,
    count(accountIdD1) / count(accountIdD0) AS ` 次留 `,
    count(accountIdD3) / count(accountIdD0) AS `3 留 `,
    count(accountIdD7) / count(accountIdD0) AS `7 留 `,
    count(accountIdD14) / count(accountIdD0) AS `14 留 `,
    count(accountIdD30) / count(accountIdD0) AS `30 留 `
FROM
( -- 应用 LEFT JOIN 找到 2020-08-01 当日沉闷用户在第 2、3、6、13、29 日的登录用户
    SELECT DISTINCT
        a.ds AS ds,
        a.accountIdD0 AS accountIdD0,
        IF(b.accountId = '', NULL, b.accountId) AS accountIdD1,
        IF(c.accountId = '', NULL, c.accountId) AS accountIdD3,
        IF(d.accountId = '', NULL, d.accountId) AS accountIdD7,
        IF(e.accountId = '', NULL, e.accountId) AS accountIdD14,
        IF(f.accountId = '', NULL, f.accountId) AS accountIdD30
    FROM
    (-- 找出 2020-08-01 当日沉闷用户
        SELECT DISTINCT
            ds,
            accountId AS accountIdD0
        FROM login_event
        WHERE ds = '2020-08-01'
        ORDER BY ds ASC
    ) AS a
    LEFT JOIN test.login3_event AS b ON (b.ds = addDays(a.ds, 1)) AND (a.accountIdD0 = b.accountId)
    LEFT JOIN test.login3_event AS c ON (c.ds = addDays(a.ds, 2)) AND (a.accountIdD0 = c.accountId)
    LEFT JOIN test.login3_event AS d ON (d.ds = addDays(a.ds, 6)) AND (a.accountIdD0 = d.accountId)
    LEFT JOIN test.login3_event AS e ON (e.ds = addDays(a.ds, 13)) AND (a.accountIdD0 = e.accountId)
    LEFT JOIN test.login3_event AS f ON (f.ds = addDays(a.ds, 29)) AND (a.accountIdD0 = f.accountId)
) AS temp
GROUP BY ds

后果：-----------------------------------------
┌─────────ds─┬─activeAccountNum─┬─次留─┬──3 留─┬─7 留─┬─14 留─┬─30 留─┐
│ 2020-08-01 │                4 │ 0.25 │ 0.25 │   0 │  0.5 │ 0.75 │
└────────────┴──────────────────┴──────┴──────┴─────┴──────┴──────┘

1 rows in set. Elapsed: 0.022 sec.

解决办法二：


-- 判断 2020-08-01 沉闷用户在第 2、3、6、13、29 日的留存数，计算出留存率，计算出留存率
SELECT DISTINCT
    b.ds AS ds,
    ifnull(countDistinct(if(a.ds = b.ds, a.accountId, NULL)), 0) AS activeAccountNum,
    ifnull(countDistinct(if(a.ds = addDays(b.ds, 1), b.accountId, NULL)) / activeAccountNum, 0) AS ` 次留 `,
    ifnull(countDistinct(if(a.ds = addDays(b.ds, 2), b.accountId, NULL)) / activeAccountNum, 0) AS `3 留 `,
    ifnull(countDistinct(if(a.ds = addDays(b.ds, 6), b.accountId, NULL)) / activeAccountNum, 0) AS `7 留 `,
    ifnull(countDistinct(if(a.ds = addDays(b.ds, 13), b.accountId, NULL)) / activeAccountNum, 0) AS `14 留 `,
    ifnull(countDistinct(if(a.ds = addDays(b.ds, 29), b.accountId, NULL)) / activeAccountNum, 0) AS `30 留 `
FROM
  -- 应用 INNER JOIN 找出 2020-08-01 沉闷用户在后续 1～30 日登录状况
(
    SELECT
        ds,
        accountId
    FROM login_event
    WHERE (ds <= addDays(toDate('2020-08-01'), 29)) AND (ds >= '2020-08-01')
) AS a
INNER JOIN
-- 找出 2020-08-01 当日沉闷用户
(
    SELECT DISTINCT
        accountId,
        ds
    FROM test.login3_event
    WHERE ds = '2020-08-01'
) AS b ON a.accountId = b.accountId
GROUP BY ds

后果：-----------------------------------------
┌─────────ds─┬─activeAccountNum─┬─次留─┬──3 留─┬─7 留─┬─14 留─┬─30 留─┐
│ 2020-08-01 │                4 │ 0.25 │ 0.25 │   0 │  0.5 │ 0.75 │
└────────────┴──────────────────┴──────┴──────┴─────┴──────┴──────┘

1 rows in set. Elapsed: 0.019 sec.

解决办法三：


-- 依据数组下标 SUM(r[index]) 获取 2020-08-01 沉闷用户在第 2、3、6、13、29 日的留存数，计算出留存率
SELECT
    toDate('2020-08-01') AS ds,
    SUM(r[1]) AS activeAccountNum,
    SUM(r[2]) / SUM(r[1]) AS ` 次留 `,
    SUM(r[3]) / SUM(r[1]) AS `3 留 `,
    SUM(r[4]) / SUM(r[1]) AS `7 留 `,
    SUM(r[5]) / SUM(r[1]) AS `14 留 `,
    SUM(r[6]) / SUM(r[1]) AS `30 留 `   
FROM
-- 找到 2020-08-01 沉闷用户在第 2、3、6、13、29 日的登录状况，1/0 => 登录 / 未登录
(WITH toDate('2020-08-01') AS tt   
SELECT
    accountId,
    retention(toDate(ds) = tt, 
      toDate(subtractDays(ds, 1)) = tt, 
      toDate(subtractDays(ds, 2)) = tt, 
      toDate(subtractDays(ds, 6)) = tt,
      toDate(subtractDays(ds, 13)) = tt,
      toDate(subtractDays(ds, 29)) = tt
    ) AS r
  -- 找出 2020-08-01 沉闷用户在后续 1～30 日登录数据
FROM login_event
WHERE (ds >= '2020-08-01') AND (ds <= addDays(toDate('2020-08-01'), 29))
GROUP BY accountId
)
GROUP BY ds


后果：-----------------------------------------
┌─────────ds─┬─activeAccountNum─┬─次留─┬──3 留─┬─7 留─┬─14 留─┬─30 留─┐
│ 2020-08-01 │                4 │ 0.25 │ 0.25 │   0 │  0.5 │ 0.75 │
└────────────┴──────────────────┴──────┴──────┴─────┴──────┴──────┘

1 rows in set. Elapsed: 0.009 sec.

3. 总结

  • 办法一，应用传统做法多表关联，理解 ClickHouse 的程序猿都分明，多表关联是 ClickHouse 天敌，运行速度绝对很慢。
  • 办法二，应用一个表关联，通过 IF 函数判断日期差值，找到所需日期用户数据，绝对办法一缩小了多表关联，进步了运行速度。
  • 办法三，应用 ClickHouse 自带 retention 函数，retention function 是 ClickHouse 中高级聚合函数，该函数能够承受多个条件，以第一个条件后果为基准，前面各条件满足为 1，不满足则为 0，最初返回一个 1 和 0 组成的数组。通过统计数组中对应 1 的数量，既可计算出留存率。

三种计算方法比较而言，在海量的数据集下应用 ClickHouse 自带 retention 留存函数运行速度更快、更高效。晋升了现有技术中用户留存率的计算形式速度慢效率低的问题, 进而达到了进步计算速度和计算效率的成果。

退出移动版