| comments | true | |
|---|---|---|
| difficulty | 中等 | |
| edit_url | https://github.com/doocs/leetcode/edit/main/solution/3700-3799/3705.Find%20Golden%20Hour%20Customers/README.md | |
| tags |
|
表：restaurant_orders
+------------------+----------+ | Column Name | Type | +------------------+----------+ | order_id | int | | customer_id | int | | order_timestamp | datetime | | order_amount | decimal | | payment_method | varchar | | order_rating | int | +------------------+----------+ order_id 是这张表的唯一主键。 payment_method 可以是 cash，card 或 app。 order_rating 在 1 到 5 之间，其中 5 是最佳（如果没有评分则是 NULL）。 order_timestamp 同时包含日期和时间信息。
编写一个解决方案来寻找 黄金时间客户 - 高峰时段持续订购且满意度高的客户。客户若满足以下所有条件，则被视为 黄金时段客户：
- 进行 至少
3笔订单。 - 他们有 至少
60%的订单在 高峰时间 中（11:00-14:00或18:00-21:00）。 - 他们的 平均评分 至少为
4.0，四舍五入到小数点后2位。 - 已评价至少
50%的订单。
返回结果表按 average_rating 降序 排序，然后按 customer_id 降序 排序。
结果格式如下所示。
示例：
输入：
restaurant_orders 表：
+----------+-------------+---------------------+--------------+----------------+--------------+ | order_id | customer_id | order_timestamp | order_amount | payment_method | order_rating | +----------+-------------+---------------------+--------------+----------------+--------------+ | 1 | 101 | 2024-03-01 12:30:00 | 25.50 | card | 5 | | 2 | 101 | 2024-03-02 19:15:00 | 32.00 | app | 4 | | 3 | 101 | 2024-03-03 13:45:00 | 28.75 | card | 5 | | 4 | 101 | 2024-03-04 20:30:00 | 41.00 | app | NULL | | 5 | 102 | 2024-03-01 11:30:00 | 18.50 | cash | 4 | | 6 | 102 | 2024-03-02 12:00:00 | 22.00 | card | 3 | | 7 | 102 | 2024-03-03 15:30:00 | 19.75 | cash | NULL | | 8 | 103 | 2024-03-01 19:00:00 | 55.00 | app | 5 | | 9 | 103 | 2024-03-02 20:45:00 | 48.50 | app | 4 | | 10 | 103 | 2024-03-03 18:30:00 | 62.00 | card | 5 | | 11 | 104 | 2024-03-01 10:00:00 | 15.00 | cash | 3 | | 12 | 104 | 2024-03-02 09:30:00 | 18.00 | cash | 2 | | 13 | 104 | 2024-03-03 16:00:00 | 20.00 | card | 3 | | 14 | 105 | 2024-03-01 12:15:00 | 30.00 | app | 4 | | 15 | 105 | 2024-03-02 13:00:00 | 35.50 | app | 5 | | 16 | 105 | 2024-03-03 11:45:00 | 28.00 | card | 4 | +----------+-------------+---------------------+--------------+----------------+--------------+
输出：
+-------------+--------------+----------------------+----------------+ | customer_id | total_orders | peak_hour_percentage | average_rating | +-------------+--------------+----------------------+----------------+ | 103 | 3 | 100 | 4.67 | | 101 | 4 | 100 | 4.67 | | 105 | 3 | 100 | 4.33 | +-------------+--------------+----------------------+----------------+
解释：
- 客户 101：
<ul> <li>总订单数：4（至少 3 笔）</li> <li>高峰时间订单：4 笔中有 4 笔（12:30，19:15，13:45 和 20:30 在高峰时间）</li> <li>高峰时间占比：100%（至少 60%）</li> <li>已评分的订单：4 笔中有 3 笔（75% 评分完成率）</li> <li>平均评分：(5+4+5)/3 = 4.67（至少 4.0）</li> <li>结果：<strong>黄金时段客户</strong></li> </ul> </li> <li><strong>客户 102</strong>: <ul> <li>总订单数：3（至少 3 笔）</li> <li>高峰时间订单：3 笔中有 2 笔（11:30，12:00 都在高峰时间，但 15:30 不是）</li> <li>高峰时间占比：2/3 = 66.67%（至少 60%）</li> <li>已评分的订单：3 笔中有 2 笔（66.67% 评分完成率）</li> <li>平均评分：(4+3)/2 = 3.5（少于 4.0）</li> <li>结果：<strong>不是黄金时段客户</strong>（平均评分太低）</li> </ul> </li> <li><strong>客户 103</strong>: <ul> <li>总订单数：3（至少 3 笔）</li> <li>高峰时间订单：3 笔中有 3 （19:00，20:45，18:30 都在傍晚高峰时间）</li> <li>高峰时间占比：3/3 = 100%（至少 60%）</li> <li>已评分的订单：3 笔中有 3 笔（100% 评分完成率）</li> <li>平均评分：(5+4+5)/3 = 4.67（至少 4.0）</li> <li>结果：<strong>黄金时段客户</strong></li> </ul> </li> <li><strong>客户 104</strong>: <ul> <li>总订单数：3（至少 3 笔）</li> <li>高峰时间订单：3 笔中有 0 笔（10:00，09:30，16:00 都不在高峰时间）</li> <li>高峰时间占比：0/3 = 0%（至少 60%）</li> <li>结果：<strong>不是黄金时段客户</strong>（高峰时段订单不足）</li> </ul> </li> <li><strong>客户 105</strong>: <ul> <li>总订单数：3（至少 3 笔）</li> <li>高峰时间订单：3 笔中有 3 笔（12:15，13:00，11:45 都在中午高峰时间）</li> <li>高峰时间占比：3/3 = 100%（至少 60%）</li> <li>已评分的订单：3 笔中有 3 笔（100% 评分完成率）</li> <li>平均评分：(4+5+4)/3 = 4.33（至少 4.0）</li> <li>结果：<strong>黄金时段客户</strong></li> </ul> </li>
结果表按 average_rating 降序排序，然后按 customer_id 降序排序。
我们可以将订单按照 customer_id 进行分组，统计每个顾客的总订单数、峰值时段订单数、评分订单数和平均评分，然后根据题目中的条件进行筛选，最后按照平均评分降序、顾客 ID 降序排序。
# Write your MySQL query statement below
SELECT
customer_id,
COUNT(1) total_orders,
ROUND(
SUM(
TIME(order_timestamp) BETWEEN '11:00:00' AND '14:00:00'
OR TIME(order_timestamp) BETWEEN '18:00:00' AND '21:00:00'
) / COUNT(1) * 100
) peak_hour_percentage,
ROUND(AVG(order_rating), 2) average_rating
FROM restaurant_orders
GROUP BY customer_id
HAVING
total_orders >= 3
AND peak_hour_percentage >= 60
AND average_rating >= 4.0
AND SUM(order_rating IS NOT NULL) / total_orders >= 0.5
ORDER BY average_rating DESC, customer_id DESC;import pandas as pd
import numpy as np
def find_golden_hour_customers(restaurant_orders: pd.DataFrame) -> pd.DataFrame:
df = restaurant_orders.copy()
df["order_timestamp"] = pd.to_datetime(df["order_timestamp"])
df["is_peak_hour"] = df["order_timestamp"].dt.time.between(
pd.to_datetime("11:00:00").time(), pd.to_datetime("14:00:00").time()
) | df["order_timestamp"].dt.time.between(
pd.to_datetime("18:00:00").time(), pd.to_datetime("21:00:00").time()
)
grouped = (
df.groupby("customer_id")
.agg(
total_orders=("order_timestamp", "count"),
peak_hour_count=("is_peak_hour", "sum"),
average_rating=("order_rating", lambda x: x.dropna().mean()),
non_null_rating_count=("order_rating", lambda x: x.notna().sum()),
)
.reset_index()
)
grouped["average_rating"] = grouped["average_rating"].round(2)
grouped["peak_hour_percentage"] = (
grouped["peak_hour_count"] / grouped["total_orders"] * 100
).round()
filtered = grouped[
(grouped["total_orders"] >= 3)
& (grouped["peak_hour_percentage"] >= 60)
& (grouped["average_rating"] >= 4.0)
& (grouped["non_null_rating_count"] / grouped["total_orders"] >= 0.5)
]
filtered = filtered.sort_values(
by=["average_rating", "customer_id"], ascending=[False, False]
)
return filtered[
["customer_id", "total_orders", "peak_hour_percentage", "average_rating"]
]