ClickHouse是如何提高留存计算速度

这篇文章将为大家详细讲解有关ClickHouse是如何提高留存计算速度，文章内容质量较高，因此小编分享给大家做个参考，希望大家阅读完这篇文章后对相关知识有一定的了解。

关于用户留存是各大数据分析平台必不可少的功能，企业一般用留存率衡量用户的活跃情况，也是能直接反应产品功能价值的直接指标，留存率是衡量用户质量的最重要指标之一，因此计算各种留存率是数据分析取数的最底层的基本功。所以下面举几个用户留存分析的实战例子。

1. 准备

了解目前留存率几种常规计算方法、了解ClickHouse提供retention(cond1, cond2, …)函数计算留存率

建表：用户基本信息表：login_event

CREATE TABLE login_event --用户登录事件(    `accountId` String COMMENT '账号的ID', --用户唯一ID    `ds` Date COMMENT '日期' --用户登录日期)ENGINE = MergeTreePARTITION BY accountIdORDER 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. 题目分析

计算某日活跃用户的次留、3留、7留、14留、30留，我们将问题解决分为三个步骤：

• 找到某日活跃用户

• 找到某日活跃用户在第2、3、6、13、29日的登录情况

• 计算某日活跃用户在第2、3、6、13、29日登录数，计算N日留存率

解决方法一:

--计算出2020-08-01活跃用户在第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( --使用LEFT JOIN 找到2020-08-01当日活跃用户在第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当日活跃用户        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 tempGROUP BY ds结果：-----------------------------------------┌─────────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.

解决方法二：

--判断2020-08-01活跃用户在第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  --使用INNER JOIN找出2020-08-01活跃用户在后续1～30日登录情况(    SELECT        ds,        accountId    FROM login_event    WHERE (ds <= addDays(toDate('2020-08-01'), 29)) AND (ds >= '2020-08-01')) AS aINNER JOIN--找出2020-08-01当日活跃用户(    SELECT DISTINCT        accountId,        ds    FROM test.login3_event    WHERE ds = '2020-08-01') AS b ON a.accountId = b.accountIdGROUP BY ds结果：-----------------------------------------┌─────────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.

解决方法三：

--根据数组下标SUM(r[index])获取2020-08-01活跃用户在第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活跃用户在第2、3、6、13、29日的登录情况，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活跃用户在后续1～30日登录数据FROM login_eventWHERE (ds >= '2020-08-01') AND (ds <= addDays(toDate('2020-08-01'), 29))GROUP BY accountId)GROUP BY ds结果：-----------------------------------------┌─────────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

• 方法一，使用传统做法多表关联，了解ClickHouse的程序猿都清楚，多表关联是ClickHouse天敌，运行速度相对很慢。

• 方法二，使用一个表关联，通过IF函数判断日期差值，找到所需日期用户数据，相对方法一减少了多表关联，提高了运行速度。

• 方法三，使用ClickHouse自带retention函数，retention function是ClickHouse中高级聚合函数，该函数可以接受多个条件，以第一个条件结果为基准，后面各条件满足为1，不满足则为0，最后返回一个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，在海量的数据集下使用ClickHouse自带retention留存函数运行速度更快、更高效。提升了现有技术中用户留存率的计算方式速度慢效率低的问题,进而达到了提高计算速度和计算效率的效果。

关于ClickHouse是如何提高留存计算速度就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。