根据lac_id和start_time知道用户当时的位置，根据staytime知道用户各个基站的逗留时长。根据轨迹合并连续基站的staytime。最终得到每一个用户按时间排序在每一个基站驻留时长。
13429100031 22554 8 2013-03-11 08:55:19.151754088 571 571 282 571
13429100082 22540 8 2013-03-11 08:58:20.152622488 571 571 270 571
13429100082 22691 8 2013-03-11 08:56:37.149593624 571 571 103 571
13429100087 22705 8 2013-03-11 08:56:51.139539816 571 571 220 571
13429100087 22540 8 2013-03-11 08:55:45.150276800 571 571 66 571
13429100082 22540 8 2013-03-11 08:55:38.140225200 571 571 133 571
13429100140 26642 9 2013-03-11 09:02:19.151754088 571 571 18 571
13429100082 22691 8 2013-03-11 08:57:32.151754088 571 571 287 571
13429100189 22558 8 2013-03-11 08:56:24.139539816 571 571 48 571
13429100349 22503 8 2013-03-11 08:54:30.152622440 571 571 211 571
product_no lac_id moment start_time user_id county_id staytime city_id
计算第四列每个元素出现的个数
a,b,c,d
b,b,f,e
a,a,c,f
b,b,f,a
b,b,f,e计算高峰时间段（如上午10点-11点）哪张表被访问的最频繁，以及这段时间访问这张表最多的用户，以及这个用户的总时间开销。
TableName(表名)，Time(时间)，User(用户)，TimeSpan(时间开销)
t1 09:59:20 u1 1
t2 10:02:20 u4 2
t1 10:12:20 u3 3
t2 10:22:20 u3 2
t2 10:32:20 u2 5
t3 10:42:20 u1 2
t3 10:52:20 u2 7
t4 10:22:20 u1 9
t1 10:32:20 u4 2输出不在Order的customer
- 输入2天股价波动