区别
假设查询时间区间为：20190101-20190102
- 排重客户数：distinct(20190101,20190102)
- 日排重客户数：distinct(20190101)+distinct(20190102)
固定时间区间的查询
例如周维度、月维度的查询，我们可以通过bitmap的方式，对用户id进行聚合，占用空间小，合并速度快
对于排重客户数来说：直接在etl中进行周和月的聚合即可，最终每周或者每月只是对应一个bitmap
但是对于日排重客户数来说，由于是日的排重客户数求和，所以计算的时候，需要计算天的结果再求和，月的需要请求30次，性能肯定一般。
解决方案
日排重客户数通过某种方式也可以实现周或者月维度的聚合，只要让相同的用户id在不同天是不同的就行了。
所以将原来的客户id跟日期组合，映射成新的用户id
| customerid | date | date_cust |
|---|---|---|
| 100 | 20190101 | 1 100 |
| 101 | 20190113 | 13 100 |
将这个新的用户id生成bitmap，就可以月聚合了。
注意
这个新的id的生成方案，相当于在用户id前面拼接了日期信息，如果用户id很大，拼接上日期信息之后生成的数字可能超过了int最大值，目前的bitmap好像仅支持int类型的最大值。
优化方案
将用户id前面拼接上日期之后，对这个日客户id字段进行distinct，然后从头开始分配一个顺序编号，这样能生成一个紧密的连续的日用户id，减少日期和用户id组合之后生成的新的id溢出int最大值的可能性。
| customerid | date | date_cust | bitmap_id |
|---|---|---|---|
| 100 | 20190101 | 1 100 | 1 |
| 101 | 20190113 | 13 100 | 2 |