【Redis从头学-5】Redis中的List数据类型实战场景之天猫热销榜单-Toy模板网

这篇具有很好参考价值的文章主要介绍了【Redis从头学-5】Redis中的List数据类型实战场景之天猫热销榜单。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

🧑‍💻作者名称：DaenCode
🎤作者简介：啥技术都喜欢捣鼓捣鼓，喜欢分享技术、经验、生活。
😎人生感悟：尝尽人生百味，方知世间冷暖。
📖所属专栏：Redis从头学

【Redis从头学-5】Redis中的List数据类型实战场景之天猫热销榜单,Redis从头学,redis,list,缓存

🌟前言

之前的篇章对Redis的String数据类型已经做出了具体分析，并举例说明了其具体的实战场景本文就结合List数据类型结构的特性，一起探讨其实战中的应用场景，并以天猫热销榜单为例。

🌟List数据类型分析

Redis中的List数据类型是一种有序、可重复、可变长度的数据结构。它支持在列表的两端进行快速的插入、删除和查找操作，因此非常适合用于处理队列、栈以及任务列表等场景。
List数据类型可以存储多个相同或不同类型的元素，并且可以按照插入顺序进行访问。Redis提供了一系列的命令来操作List，包括向列表头部或尾部插入元素、在指定位置插入元素、获取指定位置的元素、删除列表中的元素等。有关其操作命令请参照【Redis从头学-3】5个表格带你学会使用Redis五大数据类型常用命令

List数据类型的主要特点：

有序性：列表中的元素按照插入顺序排列，可以根据索引位置进行访问。
可重复性：列表允许存储重复的元素。
动态长度：列表可以根据需要进行动态扩展或收缩，没有固定的长度限制。
快速操作：插入和删除元素的时间复杂度为O(1)，在列表头部和尾部进行插入和删除操作非常高效。

🌟List类型实战应用场景

通过上述对List类型的分析，可以结合实际需求选择适合List类型结构的场景。本文主要演示排行榜功能的演示代码。

消息队列：可以通过List实现简单的消息队列，将消息按顺序插入到列表尾部，消费者从列表头部取出消息进行处理。

时间线：将新的动态信息按照时间顺序插入到列表头部，就可以实现类似社交媒体的时间线功能。

排行榜：可以对热销的商品进行榜单排序。

热销榜单功能

生活中的例子

【Redis从头学-5】Redis中的List数据类型实战场景之天猫热销榜单,Redis从头学,redis,list,缓存

排序规则

【Redis从头学-5】Redis中的List数据类型实战场景之天猫热销榜单,Redis从头学,redis,list,缓存

仿造示例

通过上述生活中的例子，来描述一个热销榜单的应用场景。实际场景要比这个复杂的多哦，这里只是感受List数据类型的结构。
实现步骤：

创建一个洗面奶实体类WashMilk。字段内容包含字段包含id、品牌名称、好评率、成交额、回购人数、累计销量等。

按照加权平均算法得出综合权衡的平均值。根据好评率、成交额、回购人数、累计销量因素，对洗面奶进行排序。

存入Redis中。使用rightPushAll。因为排序是按降序排序的，所有要从右插入，最大值才能展现在第一个。

若序列为：5，4，3，2，1。则按右插法，最终结果为
5
4
3
2
1
左插法，结果为：
1
2
3
4
5

加权平均算法介绍：

加权平均算法（Weighted Average Algorithm）是一种常见的统计算法，用于计算一组数据的加权平均值。在加权平均算法中，每个数据点都有一个对应的权重，权重可以表示数据的重要性或贡献度。
加权平均算法的计算公式如下：
加权平均值 = (数据点1 × 权重1 + 数据点2 × 权重2 + ... + 数据点n × 权重n) / (权重1 + 权重2 + ... + 权重n)
其中，数据点1、数据点2等表示要计算加权平均值的数据点，权重1、权重2等表示对应数据点的权重。
加权平均算法适用于以下场景：

数据点具有不同的重要性或权重，需要考虑这些差异并进行加权处理。

某些数据点可能对结果产生较大的影响，而某些数据点可能对结果影响较小，需要根据权重进行调节。

数据点的权重可能随时间、条件或其他因素而变化，可以动态调整计算结果。
举例来说，假设你要计算一组考试成绩的加权平均值，其中不同科目的权重不同，例如数学的权重为0.4，英语的权重为0.3，物理的权重为0.3。
你可以按照如下方式计算加权平均值：
加权平均值 = (数学成绩 × 0.4 + 英语成绩 × 0.3 + 物理成绩 × 0.3) / (0.4 + 0.3 + 0.3)
通过加权平均算法，可以根据不同数据点的权重，将其贡献度考虑在内，得出一个综合权衡的平均值。这个平均值更能反映数据的实际情况和重要性。

简易代码：

@Test
	void hotRank(){
		String DAILY_RANK_KEY="hotRank:daily";
		//模拟数据库查询到的数据
		WashMilk washMilk=new WashMilk(1,"香奈儿",0.65,10000,800,100000);
		WashMilk washMilk2=new WashMilk(2,"至本",0.85,60040,10000,25465);
		WashMilk washMilk3=new WashMilk(3,"兰蔻",0.60,343543,6000,4534);
		WashMilk washMilk4=new WashMilk(4,"雅诗兰黛",0.67,50000,800,3655);
		WashMilk washMilk5=new WashMilk(5,"欧莱雅",0.99,10000,40000,42443);
		WashMilk washMilk6=new WashMilk(6,"薇姿",0.65,32443,800,43244);
		WashMilk washMilk7=new WashMilk(7,"娇韵诗",0.82,10000,800,5435654);
		WashMilk washMilk8=new WashMilk(8,"相宜本草",0.95,65476,3214,4000);
		WashMilk washMilk9=new WashMilk(9,"佰草集",0.90,432535,800,3435);
		WashMilk washMilk10=new WashMilk(10,"倩碧",0.75,23423,4356,180000);
		List<WashMilk> washMilkList=new ArrayList<>();
		//将数据添加到list集合。
		Stream.of(washMilk,washMilk2,washMilk3,washMilk4,washMilk5,washMilk6,washMilk7,washMilk8,washMilk9,washMilk10).
				forEach(washMilkList::add);
		//通过加权平均法，对上述洗面奶综合排序
		Collections.sort(washMilkList, new Comparator<WashMilk>() {
			@Override
			public int compare(WashMilk o1, WashMilk o2) {
				double wm1Score = o1.getGoodRate() * 0.4 + o1.getTurnover() * 0.3 + o1.getRepurchaseCount() * 0.2 + o1.getTotalSales() * 0.1;
				double wm2Score = o2.getGoodRate() * 0.4 + o2.getTurnover() * 0.3 + o2.getRepurchaseCount() * 0.2 + o2.getTotalSales() * 0.1;
				return Double.compare(wm2Score, wm1Score); // 按照降序排序
			}
		});
		//存入到redis中
		redisTemplate.opsForList().rightPushAll(DAILY_RANK_KEY,washMilkList);
		System.out.println(redisTemplate.opsForList().range(DAILY_RANK_KEY,0,-1));
	}