DolphinDB 内存分区表的加载和操作

Junxi
2021-08-05

DolphinDB的内存数据表可以是非分区的，也可以是分区的。除了组合分区以外的所有分区方式都适用于内存数据表。使用分区内存表进行运算能充分发挥多核CPU并行计算的优势。

1. 创建内存数据表

1.1 创建非分区内存表

使用table函数可以创建非分区内存表。table函数的用法非常灵活：

  • 第一种用法：table(X, [X1], [X2], .....)

这里的X, X1, X2可以是向量、矩阵或元组，其中每个向量、矩阵和元组中每个元素的长度必须相同。

例1. 如果X是向量，那么每个向量对应表中一列。

id=`XOM`GS`AAPL x=102.1 33.4 73.6 table(id, x) id x ---- ----- XOM 102.1 GS 33.4 AAPL 73.6 table(`XOM`GS`AAPL as id, 102.1 33.4 73.6 as x) id x ---- ----- XOM 102.1 GS 33.4 AAPL 73.6

例2. 如果X是矩阵，table函数将矩阵转换为表。

m1=1..6$3:2 table(m1) C0 C1 -- -- 1 4 2 5 3 6 m2=7..12$3:2 table(m1,m2) C0 C1 C2 C3 -- -- -- -- 1 4 7 10 2 5 8 11 3 6 9 12

例3. 如果X是元组，那么元组中的每个元素对应表中的一列。

x=(["a","b","c"],[4,5,6]) table(x) C0 C1 -- -- a 4 b 5 c 6

例4. table函数的输入是向量、矩阵和元组。

x=1..6 y=11..22$6:2 z=(101..106, 201..206) x C1 C2 C3 C4 - -- -- --- --- 1 11 17 101 201 2 12 18 102 202 3 13 19 103 203 4 14 20 104 204 5 15 21 105 205 6 16 22 106 206

  • 第二种用法：table(capacity:size, colNames, colTypes)

我们可以通过指定表的容量和初始大小、列名以及每列的数据类型来创建内存表。如果表中实际的记录行数超出的capacity，它会自动扩展。如果要创建一个空的表，可以把size设置为0，如果size>0，创建表时会使用默认值填充。例如，

table(200:0, `name`id`value, [STRING,INT,DOUBLE]) name id value ---- -- ----- table(200:10, `name`id`value, [STRING,INT,DOUBLE]) name id value ---- -- ----- 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0


1.2 创建分区内存表

通过createPartitionedTable函数可以创建分区内存表。在创建分区内存表之前，需要创建内存的分区数据库，并且分区数据库的路径为空字符串。

n=10000 t=table(rand(1..10,n) as id,rand(10.0,n) as val) db=database("",VALUE,1..10) pt=db.createPartitionedTable(t,`pt,`id).append!(t) typestr(pt) SEGMENTED IN-MEMORY TABLE

对于内存分区表，不能直接访问，需要使用SQL语句访问。

select * from pt


2. 加载数据到内存表

我们通过以下脚本，生成一个模拟数据集，用于后续例子。

n=30000000 workDir = "C:/DolphinDB/Data" if(!exists(workDir)) mkdir(workDir) trades=table(rand(`IBM`MSFT`GM`C`FB`GOOG`V`F`XOM`AMZN`TSLA`PG`S,n) as sym, 2000.01.01+rand(365,n) as date, 10.0+rand(2.0,n) as price1, 100.0+rand(20.0,n) as price2, 1000.0+rand(200.0,n) as price3, 10000.0+rand(2000.0,n) as price4, 10000.0+rand(3000.0,n) as price5, 10000.0+rand(4000.0,n) as price6, rand(10,n) as qty1, rand(100,n) as qty2, rand(1000,n) as qty3, rand(10000,n) as qty4, rand(10000,n) as qty5, rand(10000,n) as qty6) trades.saveText(workDir + "/trades.txt");


2.1 加载数据到未分区内存表

使用loadText函数将文本文件数据导入到未分区的内存表。

trades=loadText(workDir + "/trades.txt")


2.2 加载数据到内存分区表
2.2.1 使用ploadText函数将文本文件导入为顺序分区的内存表

这是将数据导入到内存分区表最简单的方法，但缺乏其它导入方法的某些优点及灵活性。例如，需要导入的文本文件必须小于可用内存；无法使用函数sortBy!进行分区内有意义的排序，等等。

trades = ploadText(workDir + "/trades.txt");

2.2.2 使用loadTextEx函数将文本文件导入为指定分区方式的表

这种方法适合下列情况：

  • 经常需要在各个分区内部进行排序
  • 经常需要根据分区字段进行group by与context by的计算

使用这种方法时，database函数的directory参数以及loadTextEx函数的tableName参数需使用空字符串("")。

db = database("", VALUE, `IBM`MSFT`GM`C`FB`GOOG`V`F`XOM`AMZN`TSLA`PG`S) trades = db.loadTextEx("", `sym, workDir + "/trades.txt"); trades.sortBy!(`qty1); trades.sortBy!(`date`qty1, false true); trades.sortBy!(<qty1 * price1>, false);

请注意，对内存分区表使用函数 sortBy! 时，是在每个分区内部进行排序，并不是对全表进行排序。

我们分别对未分区内存表、顺序分区内存表以及本节中的VALUE分区内存表进行相同的分组聚合运算。SQL语句如下：

timer(10) select std(qty1) from trades group by sym;

这里的 "timer(10)" 指的是此语句被连续执行10次的总耗时。

结果如下表所致。可以看到，当分组列和分区列相同时，分组计算性能最优。

v2-464f292737258b375fdf7b24a2719bd4_720w.jpg


2.2.3 使用loadTable函数导入磁盘分区表的全部或部分分区

这种方法适合下列情况：

  • 文本文件比服务器可用内存更大，并且每次只需要用到其中的一部分数据。
  • 需要重复使用数据。加载一个数据库表比导入一个文本文件要快得多。

使用loadTextEx在磁盘上建立一个分区表：（亦可使用createPartitionedTable和append!函数）

db = database(workDir+"/tradeDB", RANGE, ["A","G","M","S","ZZZZ"]) db.loadTextEx(`trades, `sym, workDir + "/trades.txt");

若只需要加载两个分区(["A","G")与["M","S"))到内存时：

db = database(workDir+"/tradeDB") trades=loadTable(db, `trades, ["A", "M"], 1);

请注意，这里需要将函数loadTable的可选参数memoryMode设为1，否则将只会加载表的元数据。

2.2.4 使用loadTableBySQL函数导入磁盘分区表指定的行/列

这是最灵活的产生内存分区表的方法，可以使用SQL语句选择磁盘分区表中指定的行/列以载入内存分区表。需与函数loadTable结合使用。

db = database(workDir+"/tradeDB") trades=loadTable(db, `trades); sample=loadTableBySQL(<select * from trades where date between 2000.03.01 : 2000.05.01>); sample=loadTableBySQL(<select sym, date, price1, qty1 from trades where date between 2000.03.01 : 2000.05.01>); dates = 2000.01.16 2000.02.14 2000.08.01 st = sql(<select sym, date, price1, qty1>, trades, expr(<date>, in, dates)) sample = loadTableBySQL(st); colNames =`sym`date`qty2`price2 st= sql(sqlCol(colNames), trades) sample = loadTableBySQL(st);


3. 内存表的数据处理

以2.2.3中的分区内存表trades为例，介绍内存表的用法。

trades = ploadText(workDir + "/trades.txt");


3.1 插入数据

可以通过以下方法往内存表中插入数据：

  1. SQL insert 语句

//往指定列插入数据，其他列为空 insert into trades(sym,date) values(`S,2000.12.31) //往所有列插入数据 insert into trades values(`S`IBM,[2000.12.31,2000.12.30],[10.0,20.0],[10.0,20.0],[10.0,20.0],[10.0,20.0],[10.0,20.0],[10.0,20.0],[10,20],[10,20],[10,20],[10,20],[10,20],[10,20])

2. append!函数

如果使用 append! 函数往表中插入数据，新数据必须是以表的形式表示。例如：

tmp=table(`S`IBM as col1,[2000.12.31,2000.12.30] as col2,[10.0,20.0] as col3,[10.0,20.0] as col4,[10.0,20.0] as col5,[10.0,20.0] as col6,[10.0,20.0] as col7,[10.0,20.0] as col8,[10,20] as col9,[10,20] as col10,[10,20] as col11,[10,20] as col12,[10,20] as col13,[10,20] as col14) trades.append!(tmp)

3. tableInsert 函数

tableInsert 函数会返回插入的行数。

对于分区表，如果使用 tableInsert 函数往表中插入数据，新数据必须是以表的形式表示。

tmp=table(`S`IBM as col1,[2000.12.31,2000.12.30] as col2,[10.0,20.0] as col3,[10.0,20.0] as col4,[10.0,20.0] as col5,[10.0,20.0] as col6,[10.0,20.0] as col7,[10.0,20.0] as col8,[10,20] as col9,[10,20] as col10,[10,20] as col11,[10,20] as col12,[10,20] as col13,[10,20] as col14) trades.tableInsert(tmp) 2

对于未分区表，如果使用tableInsert 函数往表中插入数据，新数据可以用元组的形式表示。

a=(`S`IBM,[2000.12.31,2000.12.30],[10.0,20.0],[10.0,20.0],[10.0,20.0],[10.0,20.0],[10.0,20.0],[10.0,20.0],[10,20],[10,20],[10,20],[10,20],[10,20],[10,20]) trades.tableInsert(a)


3.2 增加列

可以通过以下三种方法为内存表增加列：

  1. SQL update 语句

update trades set logPrice1=log(price1), newQty1=double(qty1);

2. update! 函数

trades.update!(`logPrice1`newQty1, <[log(price1), double(qty1)]>);

3. 赋值语句

trades[`logPrice1`newQty1] = <[log(price1), double(qty1)]>;


3.3 更新已存在的列

可以通过以下三种方法为内存表更新列：

  1. SQL update 语句

update trades set qty1=qty1+10; update trades set qty1=qty1+10 where sym=`IBM;

2. update! 函数

trades.update!(`qty1, <qty1+10>); trades.update!(`qty1, <qty1+10>, <sym=`IBM>);

3. 赋值语句

trades[`qty1] = <qty1+10>; trades[`qty1, <sym=`IBM>] = <qty1+10>;


3.4 删除行

可以通过以下三种方法为内存表删除行：

  1. SQL delete 语句

delete from trades where qty3<20;

2. erase 语句

trades.erase!(< qty3<30 >);


3.5 删除列

通过 drop! 函数删除列：

trades.drop!("qty1");


3.6 重命名列

通过 rename! 函数重命名列：

trades.rename!("qty2", "qty2New");

3.7 查看表结构

通过schema函数查看表的结构：

schema(trades) partitionSchema->[XOM,V,TSLA,S,PG,MSFT,IBM,GOOG,GM,FB,...] partitionSites-> partitionColumnIndex->0 chunkPath-> colDefs-> name typeString typeInt comment ------ ---------- ------- ------- sym SYMBOL 17 date DATE 6 price1 DOUBLE 16 price2 DOUBLE 16 price3 DOUBLE 16 price4 DOUBLE 16 price5 DOUBLE 16 price6 DOUBLE 16 qty1 INT 4 qty2 INT 4 qty3 INT 4 qty4 INT 4 qty5 INT 4 qty6 INT 4 partitionType->1 partitionColumnName->sym


3.8 删除内存表

可以通过以下两种方法删除内存表：

  1. undef函数

undef(`trades)

2. 把变量赋值为NULL

trades=NULL

undef 函数会将命名空间删除，而把变量赋值为NULL仍然保留命名空间。


3.9 修改列的数据类型

通过replaceColumn! 函数可以修改列的数据类型。目前只有未分区的内存表才支持修改列的数据类型，分区内存表不支持该功能。以未分区的内存表trades为例，将price1的数据类型修改为FLOAT（目前是DOUBLE）：

NewPrice1=float(exec price1 from trades) replaceColumn!(trades,`price1,NewPrice1) schema(trades) partitionColumnIndex->-1 chunkPath-> colDefs-> name typeString typeInt comment ------ ---------- ------- ------- sym SYMBOL 17 date DATE 6 price1 `FLOAT` 15 price2 DOUBLE 16 price3 DOUBLE 16 price4 DOUBLE 16 price5 DOUBLE 16 price6 DOUBLE 16 qty1 INT 4 qty2 INT 4 qty3 INT 4 qty4 INT 4 qty5 INT 4 qty6 INT 4


3.10 修改列的顺序

通过reorderColumns! 函数可以修改列的顺序。目前只有未分区的内存表才支持修改列的数据类型，分区内存表不支持该功能。以未分区的内存表trades为例，将列的顺序调整为sym,date,price6,price5,...,price1,qty6,qty5,...,qty1。

reorderColumns!(trades,`sym`date`price6`price5`price4`price3`price2`price1`qty6`qty5`qty4`qty