金融场景下往往需要进行指标计算，有时会涉及大量数据和高维多列的复杂运算，因此计算过程的优化水平将决定资源利用率和开发耗时。
针对这一需求特性，DolphinDB 中提供了数组向量（Array Vector），用以存储可变长度的二维数组，这种存储方式可显著简化某些常用的查询与计算。
例如，若不同列中含有大量重复数据，使用数组向量存储可以提高数据压缩比，提升查询速度。
目前，仅内存表与使用 TSDB 存储引擎的分布式表支持数组向量，OLAP 存储引擎暂不支持数组向量。
数据与样本说明
- 字段：快照中的部分字段，包括股票代码、快照时间、申买十价、申买十量、申卖十价、申卖十量。
- 样本：2020年上证50指数的成分股，共约28.75亿条快照数据。
- 分布式表数据总量：2,874,861,174
- 上证50指数的成分股数据量：58,257,708
- 逻辑 CPU 核数：8
指标定义
- Weighted Average Price（WAP）：加权平均价格
- Depth Imbalance（DI）：深度不平衡指标
- Press：买卖压力指标
- Realized Volatility（RV）：波动率（定义为对数收益率平方和的平方根，本案例中用加权平均价格代替股价进行计算。）
一图带你读懂优化升级
本案例基于上述计算场景，开发了四份 SQL 代码，下图为大家展示了这四种不同存储计算方式下的性能差异。
OLAP 到 TSDB 性能提升原因
本案例中，可以看到 TSDB 存储引擎相比于 OLAP 引擎计算性能有了很大提升，主要原因在于：
- OLAP 存储引擎下，成分股涉及的分区内无关证券的数据也需要从磁盘加载到内存，然后进行数据解压、过滤和计算。而 TSDB 方式下，只需将成分股的数据从磁盘加载到内存，进行数据的计算操作。
- 针对上交所 Level 2 快照数据，采用 Array Vector 存储后，压缩比可以提升至 9-11；在没有任何缓存的前提下，与多列存储方案相比，单位时间内从磁盘上读取的数据条数提升。
- 多档量价数据采用 DolphinDB V2.00 TSDB + Array Vector 方式存储后，实现了在分布式表的某列某行中存储一个向量对象，所以矩阵运算中取某一列的多行数据返回的对象就是一个矩阵，与多列存储方案相比，省去了矩阵拼接过程。