1、所有买家各消费行为对比
#去除重复的购买行为的数据，避免刷单行为
select act
from
(selectcount(user_id) act from user_log where action='0'
union all
selectcount(user_id) act from user_log where action='1'
union all
selectcount(distinct user_id) act from user_log where action='2'
union all
selectcount(user_id) act from user_log where action='3') as temp;
2、男女买家交易对比
#统计女的购买行为的数量
selectcount(action=2) sex
from user_logul
where gender=0;
#统计男的购买行为的数量
selectcount(action=2) sex
from user_logul
where gender =1;
将这两个数据传入新表second_data，以便于数据可视化的时候，提升python读取数据库数据的速度
3、男女买家各个年龄段交易对比
从这个步骤开始后，后面的数据都是在原数据表user_id中筛选出日期是双十一的新表ee_data,因为数据较大，后期读取数据的速度非常慢，我就重新筛选了双十一的数据传入新表ee_data。
insert intoee_data select * from user_log ul where month =11 and day =11;
-- 查看女的各个年龄段的数量
selectage_range age, count(gender_age) sex
from ee_dataed2
where gender_age =0
group byage_range
order byage_range; #排序
-- 查看男的各个年龄段的数量
selectage_range age, count(gender_age)
from ee_dataed2
where gender_age = 1
group byage_range
order byage_range;
4、商品类别交易额对比 思路 先筛选出双十一的数据，选择cat_idaction=2的数量
selected.cat_id ,count( ed.action) count_num
from ee_dataed
whereed.action =2
group byed.cat_id
order byed.cat_id ;
并且将数据传入新表cat_data，避免读取数据时二次查询，节省时间。
5、各省份的销量对比 思路与前一个相同
selected.province ,count( ed.action)count_num
from ee_dataed
whereed.action =2
group byed.province
order bycount_num ;
并且将数据传入新表id_pro_test，避免读取数据时二次查询，节省时间。
6、回头客预测分数对比
-- 不要user_id作为预测特征值。选择前两千条作为数据，
selectage_range ,gender ,merchant_id ,label
from test t
where label isnot null
limit 0,2000;