Разные результаты при различном подсчете за разные периоды времени

Question

Я пытаюсь получить количество уникальных посетителей. Сначала я проверил его по общему количеству, не разделяя его в любое время.

Основная таблица (образец таблицы больших данных):

+-----------+----+-------+
|theDateTime|vD  | vis   |
+----------------+-------+
|2018-10-03 |123 |abc    |
|2018-10-04 |123 |abc    |
|2018-10-04 |123 |pqr    |
|2018-10-05 |123 |xyz    |
+-----------+----+-------+

общий отчетливый счет выше будет 3, но когда я группирую по дням abc считается дважды. Сначала 3-го, а затем 2-го. Я просто хочу, чтобы первый посчитал.

Мой запрос для всего:

select
  d.eId AS vD
  , COUNT(DISTINCT visitorId) AS vis
 from decisions  
 WHERE d.eId = 123 
 AND timestamp BETWEEN unix_timestamp('2018-10-03 00:00:00')*1000 AND 
 unix_timestamp('2018-10-06 12:17:00')*1000
 GROUP BY d.eId
 ORDER BY vId

Мои результаты:

+----+---------+
| vD | vis     |
+----+---------+
|123 | 3       |
+----+---------+

Мой запрос по дням:

select DISTINCT
cast(from_unixtime(timestamp DIV 1000) AS date) AS theDateTime
, d.eId AS vD
, COUNT(DISTINCT visitorId) AS vis
from decisions  
WHERE timestamp BETWEEN unix_timestamp('2018-10-03 00:00:00')*1000 AND 
unix_timestamp('2018-10-06 12:17:00')*1000
AND d.eId IN (11550123588)
GROUP BY cast(from_unixtime(timestamp DIV 1000) AS date), 
d.vD
ORDER BY vD, theDateTime  

Мои результаты:

+-----------+----+-------+
|theDateTime|vD  | vis   |
+----------------+-------+
|2018-10-03 |123 |   1   |
|2018-10-04 |123 |   2   |
|2018-10-05 |123 |   1   |
+-----------+----+-------+

Всего это 1122585. Что больше, чем общая сумма

Я знаю, что это потому, что посетитель просто повторяется в другой день, и когда я группирую его по дням, он учитывается дважды. Можно ли как-то подсчитать посетителя на 2-й день, если он уже был учтен на 1-й день?

Пожалуйста помоги!

Answer 1

Если я правильно понимаю, вы можете сделать это в SQL с помощью подзапроса:

select min_dt, count(distinct visitorId) AS vis
from (select eid, vis, min(thedatetime) as min_dt
      from decisions d
      where d.eid = 123 and . . .
      group by vis, eid
     ) d
group by min_dt

Answer 2

Если я правильно понял, вам просто нужно другое представление данных.

val df = Seq(("2018-10-03",123,"abc"),
("2018-10-04",123,"abc"),
("2018-10-05",123,"pqr"),
("2018-10-06",123,"xyz")).toDF("theDateTime","vD","vis").withColumn("theDateTime", $"theDateTime".cast("timestamp"));

df.show

import org.apache.spark.sql.functions._
val df1 = df.groupBy("vis").pivot("vD").agg(min("theDateTime")).sort($"123")
df1.show

+---+-------------------+
|vis|                123|
+---+-------------------+
|abc|2018-10-03 00:00:00|
|pqr|2018-10-05 00:00:00|
|xyz|2018-10-06 00:00:00|
+---+-------------------+

Теперь, если вы сгруппируете по "123", вы сможете получить уникальный счет в день. Это помогает?