3.00版本来了！DolphinDB V2.00.12 & V3.00.0 正式发布！

// 建库
db = database(directory="oltp://testdb", partitionType=VALUE, 
            partitionScheme=2024.01.01..2024.01.02, engine="IMOLTP")
// 建表
dummy = table(1:0, ["time", "id", "price", "vol"], [DATETIME, INT, DOUBLE, LONG])
pt = createIMOLTPTable(
    dbHandle=db,
    table=dummy,
    tableName="pt",
    primaryKey=`id
)
pt=loadTable("oltp://testdb", "pt")
// 写入数据
insert into pt values(2024.03.05T09:00:00, 1, 1.2, 11)
insert into pt values(2024.03.05T09:00:01, 2, 1.3, 12)
insert into pt values(2024.03.05T09:00:01, 3, 1.4, 16)
// 查询数据
select * from pt

下例应用 CEP 引擎，定义股票逐笔成交事件、成交回报事件、下单事件、撤单事件、创建 monitor 监视器，实现了基于股票逐笔成交数据的事件驱动策略，即根据每支股票的最新的成交价涨幅和累计成交量判断是否执行下单操作。

为了满足用户不断增长的因子挖掘需求，DolphinDB 在新版本中推出了 Shark GPLearn 高性能因子挖掘平台。相比传统依赖于人工设计和选择特征工程的因子挖掘方法，Shark 平台可以直接从数据库中读取数据，调用遗传算法进行自动因子挖掘，同时利用 GPU 加速遗传算法的适应度计算，提升因子挖掘效率。

• 丰富的算子库：基于 Python 的遗传算法框架 gplearn 只支持简单且有限的基础数学算子，很难挖掘出数据的深层次特征。DolphinDB 内置各种滑动窗口、时序处理等丰富的函数库，Shark 平台将部分函数移植至 GPU，可以更高效地挖掘高质量因子。

• 三维数据的支持：Shark 平台提供分组语义，允许在计算过程中进行分组计算，从而支持对三维数据进行分析，来挖掘时序因子或截面因子。

• 初始化公式：Shark 平台支持初始化公式的功能，方便用户在上一轮挖掘出的较优的因子基础上，继续挖掘。

• 多卡支持：Shark 平台支持单机多卡训练，能够有效利用多个 GPU 的并行计算能力，加快整个训练过程的速度，提高训练效率。在1000万行测试数据的条件下，Shark 相比 gplearn 有86倍的性能提升。

// 生成测试数据
def prepareData(num){
    total = num
    data=table(total:total, `a`b`c`d,[FLOAT,FLOAT,FLOAT,FLOAT])
    data[`a]=rand(1.0, total)   
    data[`b]=rand(1.0, total)   
    data[`c]=rand(1.0, total)   
    data[`d]=rand(1.0, total)   
    return data
}
def f(x){
    return x * x *x *x  (x * x *x *x + 1)
}
num = 1000000
source = prepareData(num)
predVec = (select f(a) + f(b) + f(c) + f(d) as predVec from source)[`predVec]


// 创建GPLearnEngine
engine = createGPLearnEngine(source, predVec, populationSize=1000,
generations=10, initDepth = [2,6], constRange=0, fitness=`mae, 
functionSet=['add', 'sub', 'mul', 'div'])


// 进行挖掘，得到因子
trainRes=engine.gpFit(programNum=5, printCorr=true)

Pandas 是数据分析常用工具，用于数据清洗、计算、分析等场景，然而在应对多线程和 CPU 密集型任务时，其始终无法充分发挥出硬件性能和并行执行任务的优势。

此次 DolphinDB 为习惯用 Pandas 的用户提供了一个更优的替代方案——Python Parser。脚本引擎 Python Parser 不但支持解析 Python 语法编写的脚本，也支持调用 DolphinDB 原生的内置函数和库表对象，DolphinDB 还提供了 Pandas 接口库，将库表与 Pandas 的数据结构相结合，从而帮助用户轻松地用 Python 语言，在 DolphinDB 计算框架上高效完成计算。

Python Parser 与 DolphinDB 脚本语言（DolphinScript ）共享对象系统和运行环境，使用时，用户只需在脚本编辑器切换解析语言为 Python Parser，即可用 Python 编写脚本。

VS Code 配置

select * from catalog.schema.table

/*
 *  功能：创建订单簿引擎
 */
// 创建引擎参数outputTable，即指定输出表
suffix = string(1..10)
colNames = `SecurityID`timestamp`lastAppSeqNum`tradingPhaseCode`modified`turnover`volume`tradeNum`totalTurnover`totalVolume`totalTradeNum`lastPx`highPx`lowPx`ask`bid`askVol`bidVol`preClosePx`invalid  join ("bids" + suffix) join ("bidVolumes" + suffix) join ("bidOrderNums" + suffix) join ("asks" + suffix)  join ("askVolumes" + suffix) join ("askOrderNums" + suffix) 
colTypes = [SYMBOL,TIMESTAMP,LONG,INT,BOOL,DOUBLE,LONG,INT,DOUBLE,LONG,INT,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,LONG,LONG,DOUBLE,BOOL] join take(DOUBLE, 10) join take(LONG, 10) join take(INT, 10) join take(DOUBLE, 10) join take(LONG, 10) join take(INT, 10) 
outTable = table(1:0, colNames, colTypes)
// 创建引擎参数dummyTable，即指定输入表的表结构
colNames = `SecurityID`Date`Time`SourceType`Type`Price`Qty`BSFlag`BuyNo`SellNo`ApplSeqNum`ChannelNo
colTypes = [SYMBOL, DATE, TIME, INT, INT, LONG, LONG, INT, LONG, LONG, LONG, INT]
dummyOrderTrans = table(1:0, colNames, colTypes)
// 创建引擎参数inputColMap，即指定输入表各字段的含义
inputColMap = dict(`codeColumn`timeColumn`typeColumn`priceColumn`qtyColumn`buyOrderColumn`sellOrderColumn`sideColumn`msgTypeColumn`seqColumn, `SecurityID`Time`Type`Price`Qty`BuyNo`SellNo`BSFlag`SourceType`ApplSeqNum)
// 创建引擎参数prevClose，即昨日收盘价，prevClose不影响最终的输出结果中除昨日收盘价以外的其他字段
prevClose = dict(`000400.SZ`300274.SZ`300288.SZ`300122.SZ`300918.SZ, [1.1, 2.2, 3.3, 4.4, 5.5])
// 定义引擎，每1s计算输出深交所股票20档买卖盘口
engine = createOrderBookSnapshotEngine(name="demo", exchange="XSHE", orderbookDepth=20, intervalInMilli=1000, date=2022.01.10, startTime=09:15:00.000, prevClose=prevClose, dummyTable=dummyOrderTrans, inputColMap=inputColMap, outputTable=outTable)

subscribeTable(...,udpMulticast=true)

t = table(`a`a`b as sym, 1 2 3 as val1, 2 3 4 as val2, 3 4 5 as val3)


names=["val1", "val2", "val3"]
<select _$$names from t>.eval()


alias = "rs_val"
<select rowSum(_$$names) as _$alias from t>.eval()

select fac001...fac999 from t  表示查询出 fac001, fac002, ..., fac998, fac999 列

create table "dfs://test"."pt"(
        id INT[compress="zstd"], 指定使用zstd压缩算法
        deviceId SYMBOL[compress="zstd"],
        date DATE[compress="zstd"],
        value DOUBLE[compress="zstd"],
        isFin BOOL[compress="zstd"]
    )

• 支持通过加载插件的方式对内置系统函数进行热修复，无需重启 DolphinDB，保障数据库服务 7*24 不间断地运行。
• 新增控制节点、数据节点上 rebalance 并发线程数的参数，用以控制 rebalance 过程的效率与资源消耗。
• 优化 rebalanceChunksAmongDatanode 函数：改进了分区大小估算方法，使平衡结果更精确；优化分区移动策略，减少网络传输；增加算法适用场景，可应对单机多节点、共享磁盘等不同部署方式。
• 计算节点可以执行用户/组管理，权限管理等相关函数。

• 新增数据库审计日志，记录 DML（库、表、分区、字段)及 update/delete 等记录。在发生数据异常时，运维人员可以通过审计日志来定位 DFS 表的结构及数据的修改行为。

• 新增配置管理界面。管理员可以通过控制节点上的配置管理界面对集群节点及配置项集中管理和设置。