LAG+ROW_NUMBER组合是解连续签到的核心,因需用用户分组内日期排序的ROW_NUMBER与date_diff构造的整数序列作差,差值相等即为同一连续段;Presto中须用CTE先计算再分组,基准日应选'1970-01-01'避免跨年问题。

为什么 LAG + ROW_NUMBER 组合是解连续签到的核心
直接用 LAG 比较前一天是否存在,只能判断“是否断签”,但无法分组连续段;而 ROW_NUMBER() OVER (ORDER BY dt) 给的是全局序号,不是按用户分组的。必须用「用户分组内日期排序」的 ROW_NUMBER,再和日期本身的自然序号(如 TO_DAYS(dt))做差——差值相等即为同一连续段。Presto 不支持 TO_DAYS,得用 date_diff('day', DATE '2000-01-01', dt) 构造可减的整数序列。
实操建议:
- 先按
user_id分组、dt排序,生成ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY dt) - 用
date_diff('day', DATE '1970-01-01', dt)算出每个日期距基准日的天数(确保单调递增且跨年安全) - 两数相减得到
grp_key,相同grp_key的记录属于同一连续签到段
如何在 Presto 里写出不报错的连续段分组 SQL
Presto 对窗口函数嵌套敏感,不能在同一个 SELECT 中直接对窗口函数结果再开窗。必须用 CTE 或子查询把 ROW_NUMBER 和日期差先算出来,再外层按 grp_key 聚合。
常见错误现象:SyntaxError: line X:Y: Window function cannot be used in the same query level as another window function
正确写法示例:
WITH ranked AS (
SELECT
user_id,
dt,
ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY dt) AS rn,
date_diff('day', DATE '1970-01-01', dt) AS day_seq
FROM sign_in_log
)
SELECT
user_id,
MIN(dt) AS start_dt,
MAX(dt) AS end_dt,
COUNT(*) AS consecutive_days
FROM ranked
GROUP BY user_id, (day_seq - rn)
ORDER BY user_id, start_dt;
date_diff 基准日选错会导致跨年计算错乱
用 DATE '2023-01-01' 当基准看似方便,但若数据含 2022 年或 2024 年日期,date_diff 返回负数或极大正数,虽不影响差值一致性,但易引发隐式类型溢出或阅读困惑。Presto 内部对 date_diff 的输入校验宽松,但下游如果接了 BI 工具做进一步计算,负天数可能被截断或误判。
安全做法:
- 统一用 Unix 零点
DATE '1970-01-01',所有日期转成非负整数天数 - 避免用
CAST(dt AS DATE)多余转换——输入已是DATE类型时,直接参与date_diff - 如果原始字段是
TIMESTAMP,先CAST(ts_col AS DATE)再算差,否则date_diff会截断时分秒但不报错,导致同一天多条记录算出相同day_seq却不同rn,破坏分组
性能瓶颈常卡在 PARTITION BY user_id 数据倾斜上
当少数用户签到记录远超均值(比如运营账号每天打卡),PARTITION BY user_id 会让一个 worker 处理巨量行,触发 Presto 的单 task 内存超限(Exceeded local memory limit)。此时 ROW_NUMBER 成为全表扫描瓶颈,而非逻辑问题。
缓解方式:
- 加
WHERE dt >= DATE '2024-01-01'限定时间范围,比无条件扫全表快一个数量级 - 对高频用户单独抽样处理,或预聚合每日去重(
DISTINCT ON (user_id, dt)),避免重复日期干扰rn序列 - 不用
RANK()或DENSE_RANK()——它们对同日期多记录行为不一致,ROW_NUMBER是唯一能保证严格递增的选项
连续签到逻辑本身不复杂,但 Presto 的窗口执行模型和日期函数限制,让差值法的每一步都得对齐它的类型规则和内存调度特性。漏掉基准日对齐、或者忘了外层包一层子查询,都会让结果静默错误——看起来有数据,实际分组全乱。











