create-dwy 0.12.2 → 0.13.0

package/templates/claude-global/skills//346/225/260/346/215/256/345/272/223/dwy-dolphindb/references/official/stream/try_example1.md

@@ -0,0 +1,411 @@
+---
+source_url: https://docs.dolphindb.cn/zh/stream/try_example1.html
+fetched_at: 2026-05-19T09:05:01Z
+category: stream
+title: 入门示例
+sha1: c87b62f6a2b6eb1e29eb7878e141e4a41dd50a13
+---
+
+# 入门示例
+
+本节将通过两个示例展示如何实时进行因子计算。
+
+## 示例1：实时计算买卖价差
+
+本例中我们将以行情快照数据作为输入，针对每一笔快照实时响应，计算并输出买卖价差这一高频因子。
+
+**因子计算逻辑**
+
+行情数据中包含了买卖双方多档量价信息，买卖价差的定义为卖1价与买1价之差与均价之比：
+
+  
+![](images/try_example1_1.png)  
+
+其中 offerPrice0 、 bidPrice0 分别表示卖1价与买1价。
+
+**输入数据示例**
+
+  
+![](images/try_example1_2.png)
+
+### 实现步骤
+
+接下来，我们将逐步在 DolphinDB 上模拟行情快照数据流，并实时计算输出。完整脚本见附录。
+
+**创建作为输入的流数据表**
+
+首先创建一个共享流数据表 tick，用于存储和发布行情快照数据：
+
+```dolphindb
+share(table=streamTable(1:0, `securityID`dateTime`bidPrice0`bidOrderQty0`offerPrice0`offerOrderQty0, [SYMBOL,TIMESTAMP,DOUBLE,LONG,DOUBLE,LONG]), sharedName=`tick)
+```
+
+执行上述语句后，DolphinDB 数据节点的内存中将创建一个名为 tick 的表，但目前尚未写入任何数据。
+
+**创建作为输出的流数据表**
+
+创建一个共享流数据表 resultTable，用于存储和发布因子计算结果：
+
+```dolphindb
+share(table=streamTable(10000:0, ["securityID", "dateTime", "factor"], [SYMBOL, TIMESTAMP, DOUBLE]), sharedName=`resultTable)
+```
+
+执行以上语句后，DolphinDB 数据节点的内存中将创建一个名为 resultTable
+的表，但目前尚未写入任何数据。我们希望将后续的计算结果实时写入该表中。
+
+**定义计算逻辑**
+
+```dolphindb
+def factorCalFunc(msg){
+	tmp = select securityID, dateTime, (offerPrice0-bidPrice0)*2\(offerPrice0+bidPrice0) as factor from msg
+	objByName("resultTable").append!(tmp)	
+}
+```
+
+- *msg* 可以看做一个与 tick 表结构相同的内存表。
+- `objByName("resultTable").append!(tmp)` 表示向结果表 resultTable
+  插入 tmp 表。
+- tmp 表通过 DolphinDB SQL
+  语句计算得出，(offerPrice0-bidPrice0)\*2\(offerPrice0+bidPrice0) 表示买卖价差公式，对 msg
+  表中的每一行记录都会计算出对应的买卖价差因子。
+
+**订阅流数据表**
+
+```dolphindb
+subscribeTable(tableName="tick", actionName="factorCal", offset=-1, handler=factorCalFunc, msgAsTable=true, batchSize=1, throttle=0.001)
+```
+
+订阅流数据表 tick，并指定 `factorCalFunc` 作为数据处理方法，同时分配一个后台线程不断处理订阅到的新数据。每当表
+tick 插入一批数据时，这些数据都会被发布到订阅端，后台线程会接收新增数据，并以此作为输入调用函数
+`factorCalFunc`。
+
+- *tableName*="tick" 表示订阅流数据表 tick。
+- *actionName*="factorCal" 表示订阅任务的名称，用户自定义。相同节点上， *tableName* 和
+  *actionName* 的组合必须唯一。
+- *offset*=-1 表示从订阅之后表 tick 中新增的第一条数据开始消费。
+- *handler*=factorCalFunc 表示对订阅数据的处理方式。
+- *msgAsTable*=true 表示待处理的订阅到的数据是表，即 `factorCalFunc`
+  函数的入参 *msg* 是表。
+- *batchSize*=1 和 *throttle*=0.001
+  共同指定了后台线程的处理频率。本例中任意有一条或多条待处理数据会触发一次 `factorCalFunc`
+  的调用。
+
+**模拟数据输入**
+
+执行上述所有脚本后，我们提交了对流数据表 tick 的订阅，并指定调用自定义函数 `factorCalFunc`
+来处理收到的订阅数据。接下来，我们将向流数据表中注入一些数据，以观察订阅消费的结果。
+
+```dolphindb
+insert into tick values(`000001, 2023.01.01T09:30:00.000, 19.98, 100, 19.99, 120)
+insert into tick values(`000001, 2023.01.01T09:30:03.000, 19.96, 130, 19.99, 120)
+insert into tick values(`000001, 2023.01.01T09:30:06.000, 19.90, 120, 20.00, 130)
+```
+
+在向表 tick 插入若干条数据后，查看结果表 *resultTable*：
+
+  
+![](images/try_example1_3.png)  
+
+至此，我们通过发布订阅框架和流计算引擎完成了一个流计算任务的开发。不断向流数据表 tick 中插入数据将持续触发计算，并将因子输出到结果表。
+
+如有需要，可参考管理流计算任务，对该计算任务进行监控或环境清理。
+
+## 示例2：实时计算过去 5 分钟主动成交量占比
+
+在本例中，我们将使用逐笔成交数据作为输入，对每笔数据进行实时响应，计算并输出过去5分钟的主动成交量占比这一高频因子。
+
+**因子计算逻辑**
+
+主动成交占比即主动成交量占总成交量的比例，其计算公式如下：
+
+  
+![](images/try_example2_1.png)  
+
+其中：
+
+- actVolumest 表示 t-window 时刻到 t 时刻区间内的主动成交量；指示函数
+  IbuyNo>selNo 的含义如下：  
+  ![](images/try_example2_2.png)
+- totalVolumet 表示 t-window 时刻到 t 时刻区间的总成交量。
+
+**输入数据示例**
+
+  
+![](images/try_example2_3.png)
+
+### 实现步骤
+
+接下来，我们将逐步在 DolphinDB 上模拟逐笔成交数据流，并实时计算输出。完整脚本见附录。
+
+**创建作为输入的流数据表**
+
+首先创建一个共享流数据表 trade ，用于存储和发布逐笔成交数据：
+
+```dolphindb
+share(table=streamTable(1:0, `securityID`tradeTime`tradePrice`tradeQty`tradeAmount`buyNo`sellNo, [SYMBOL,TIMESTAMP,DOUBLE,INT,DOUBLE,LONG,LONG]), sharedName=`trade)
+```
+
+执行以上语句后，DolphinDB 数据节点的内存中将创建一个名为 trade 的表，但目前尚未写入任何数据。
+
+**创建作为输出的流数据表**
+
+创建一个共享流数据表 resultTable，用于存储和发布因子计算结果：
+
+```dolphindb
+share(table=streamTable(10000:0, ["securityID", "tradeTime", "factor"], [SYMBOL, TIMESTAMP, DOUBLE]), sharedName=`resultTable)
+```
+
+执行以上语句后，DolphinDB 数据节点的内存中将创建一个名为 resultTable
+的表，但目前尚未写入任何数据。我们希望将后续的计算结果实时写入该表中。
+
+**定义计算逻辑**
+
+示例 1
+中的因子计算不涉及状态，因此实现逻辑相对简单。而本示例的主动成交量因子计算依赖于历史记录，因此其计算逻辑需要考虑如何获取状态。本节将首先介绍一种错误的实现方式，以帮助用户理解带状态因子计算的处理方法，接着给出了正确的实现逻辑。
+
+**定义错误的计算函数**
+
+首先，我们定义一个 factorVolumeCalFunc 函数：
+
+```dolphindb
+def factorVolumeCalFunc (msg){
+	tmp = select securityID, tradeTime, tmsum(tradeTime, iif(buyNo>sellNo, tradeQty, 0), 5m)\tmsum(tradeTime, tradeQty, 5m) as factor from msg context by securityID
+	objByName("resultTable").append!(tmp)
+}
+subscribeTable(tableName="trade", actionName="factorCal", offset=-1, handler=factorVolumeCalFunc , msgAsTable=true, batchSize=1, throttle=0.001)
+```
+
+- *msg* 可以看做一个与 trade 表结构相同的内存表
+- objByName("resultTable").append!(tmp) 表示往结果表 resultTable 插入 tmp 表
+- tmp 表通过 DolphinDB SQL 语句计算得到：
+
+  - SQL 语句中使用 context by 对表 msg 分组后，返回的结果表 tmp 的行数与 msg 一致。context by
+    和时间序列函数（如此处的 tmsum）一起使用，可实现在分组内（ securityID
+    ）按记录的顺序逐行进行滑动时间窗口聚合计算。
+  - tmsum(tradeTime, tradeQty, 5m) 表示以 tradeTime 为时间列，对每一行划定过去 5
+    分钟的窗口，对窗口内所有记录的 tradeQty 求和，即过去五分钟的总成交量。
+  - tmsum(tradeTime, iif(buyNo>sellNo, tradeQty, 0), 5m) 表示以
+    tradeTime 为时间列，对每一行划定过去 5 分钟窗口，对窗口内 buyNo>sellNo 的这部分记录的
+    tradeQty 求和，即过去五分钟的主动成交量。
+
+当该函数被用于处理订阅数据时，每次仅基于 trade
+表新增的记录进行计算，而未能缓存或获取主动成交量因子依赖的历史记录。这会导致错误结果错误。下面进一步展示函数计算的过程及结果。
+
+首先构造一批数据调用一次 factorVolumeCalFunc 函数。
+
+```dolphindb
+// 定义结果表
+share(table=streamTable(10000:0, ["securityID", "tradeTime", "factor"], [SYMBOL, TIMESTAMP, DOUBLE]), sharedName=`resultTable)
+// 构造输入数据
+input1 = table(1:0, `securityID`tradeTime`tradePrice`tradeQty`tradeAmount`buyNo`sellNo, [SYMBOL,TIMESTAMP,DOUBLE,INT,DOUBLE,LONG,LONG])
+insert into input1 values(`000155, 2020.01.01T09:30:00.000, 30.85, 100, 3085, 4951, 0)
+insert into input1 values(`000155, 2020.01.01T09:31:00.000, 30.86, 100, 3086, 4952, 1)
+insert into input1 values(`000155, 2020.01.01T09:32:00.000, 30.85, 200, 6170, 5001, 5100)
+insert into input1 values(`000155, 2020.01.01T09:33:00.000, 30.83, 100, 3083, 5202, 5204)
+insert into input1 values(`000155, 2020.01.01T09:34:00.000, 30.82, 300, 9246, 5506, 5300)
+insert into input1 values(`000155, 2020.01.01T09:35:00.000, 30.82, 500, 15410, 5510, 5600)
+// 调用一次 factorVolumeCalFunc  函数
+factorVolumeCalFunc (msg=input1)
+```
+
+执行下述语句查询结果表：
+
+```dolphindb
+select * from resultTable
+```
+
+返回结果如下，目前结果正确：
+
+  
+![](images/try_example2_4.png)  
+
+再构造1条数据，并调用一次 factorVolumeCalFunc 函数：
+
+```dolphindb
+// 构造输入数据
+input2 = table(1:0, `securityID`tradeTime`tradePrice`tradeQty`tradeAmount`buyNo`sellNo, [SYMBOL,TIMESTAMP,DOUBLE,INT,DOUBLE,LONG,LONG])
+insert into input2 values(`000155, 2020.01.01T09:36:00.000, 30.87, 800, 24696, 5700, 5600)
+// 再调用一次 factorVolumeCalFunc  函数
+factorVolumeCalFunc (msg=input2)
+```
+
+结果表如下，最后一行对应新增的 input2 的结果，factor 值明显错误：
+
+  
+![](images/try_example2_5.png)  
+
+**定义正确的计算函数**
+
+为了实现正确的计算逻辑，我们需要在上文的 factorVolumeCalFunc 函数基础上进行复杂的改写，以获取历史数据。然而，DolphinDB
+提供了一种更简便的实现方式——DolphinDB
+计算引擎。流计算引擎可以被视为一个封装的独立计算黑盒，其内部会缓存所需的历史数据或中间结果（即状态），通过向其写入数据触发计算，并将结果输出到目标表。有关流计算引擎的详细介绍，[内置流计算引擎](../funcs/themes/streamingEngine.html) 。
+
+针对不同场景，DolphinDB 提供了多种流计算引擎。在本例中，由于需要逐条分组响应计算并输出，因此应选择响应式状态引擎。
+
+```dolphindb
+createReactiveStateEngine(name="reactiveDemo", metrics=<[tradeTime, tmsum(tradeTime, iif(buyNo>sellNo, tradeQty, 0), 5m)\tmsum(tradeTime, tradeQty, 5m)]>, dummyTable=trade, outputTable=resultTable, keyColumn="securityID")
+def factorVolumeCalFunc (msg){
+    getStreamEngine("reactiveDemo").append!(msg)
+}
+```
+
+以上代码使用 createReactiveStateEngine 函数定义一个响应式状态引擎：
+
+- 引擎需要一个在节点上唯一的名字，此处为 reactiveDemo。
+- *dummyTable*=trade 表示引擎的输入表结构与表 trade 一致。
+- *outputTable*=resultTable 表示计算结果输出到结果表 resultTable。
+- *keyColumn*="securityID" 表示按 securityID 进行分组计算。分组列将作为引擎输出表的第一列。
+- *metrics* 定义了因子计算的逻辑。其中的 tradeTime 表示将输入的 tradeTime
+  列随计算结果一同输出，tmsum(tradeTime, iif(buyNo>sellNo, tradeQty, 0),
+  5m)\tmsum(tradeTime, tradeQty, 5m) 计算得到的主动成交量占比作为计算结果列输出。
+
+在此定义的 factorVolumeCalFunc 函数中，tmsum 在响应式状态引擎中的含义与上文 SQL
+语句中的业务含义一致，但其内部实现有所不同。在引擎中，tmsum 是基于上一条计算结果进行增量计算的，因此引擎会缓存必要的计算状态。例如，对于输入记录
+09:36:00.000，其过去 5 分钟的总成交量计算公式为：该记录之前的最后一条记录过去 5 分钟总成交量 + 该记录的成交量 - 上一条记录的过去 5
+分钟窗口内不属于当前记录时间窗口的记录对应的成交量。
+
+**订阅流数据表**
+
+```dolphindb
+subscribeTable(tableName="trade", actionName="factorCal", offset=-1, handler=factorVolumeCalFunc, msgAsTable=true, batchSize=1, throttle=0.001)
+```
+
+subscribeTable 函数的 *handler*
+参数除了指定为一元函数外，还可以直接指定为数据表。getStreamEngine("reactiveDemo") 返回的流计算引擎句柄是一个数据表，因此可以将
+*handler* 直接指定为引擎句柄，而无需额外定义 factorVolumeCalFunc 函数，从而简化上述脚本。
+
+```dolphindb
+createReactiveStateEngine(name="reactiveDemo", metrics=<[tradeTime, tmsum(tradeTime, iif(buyNo>sellNo, tradeQty, 0), 5m)\tmsum(tradeTime, tradeQty, 5m)]>, dummyTable=trade, outputTable=resultTable, keyColumn="securityID")
+subscribeTable(tableName="trade", actionName="factorCal", offset=-1, handler=getStreamEngine("reactiveDemo"), msgAsTable=true, batchSize=1, throttle=0.001)
+```
+
+**模拟数据输入**
+
+```dolphindb
+insert into trade values(`000155, 2020.01.01T09:30:00.000, 30.85, 100, 3085, 4951, 0)
+insert into trade values(`000155, 2020.01.01T09:31:00.000, 30.86, 100, 3086, 4952, 1)
+insert into trade values(`000155, 2020.01.01T09:32:00.000, 30.85, 200, 6170, 5001, 5100)
+insert into trade values(`000155, 2020.01.01T09:33:00.000, 30.83, 100, 3083, 5202, 5204)
+insert into trade values(`000155, 2020.01.01T09:34:00.000, 30.82, 300, 9246, 5506, 5300)
+insert into trade values(`000155, 2020.01.01T09:35:00.000, 30.82, 500, 15410, 5510, 5600)
+```
+
+插入若干条数据到表 trade 后，查看结果表 resultTable：
+
+  
+![](images/try_example2_6.png)  
+
+以上结果符合预期。我们再插入一条数据：
+
+```dolphindb
+insert into trade values(`000155, 2020.01.01T09:36:00.000, 30.87, 800, 24696, 5700, 5600)
+```
+
+结果表对应地新增了一条记录，且对于09:36:00这条记录，计算得到了正确的 factor 值：
+
+  
+![](images/try_example2_7.png)
+
+## 管理流计算任务
+
+系统提供了运维函数，用于查看流计算的执行情况。除了通过函数查询外，在 2.00.11 及以上版本中，用户还可以在 Web 界面的流计算监控模块中直接查看。
+
+**查看流订阅消费的状态**
+
+调用 `getStreamingStat` 函数，可以查看订阅状态。
+
+```dolphindb
+getStreamingStat().subWorkers
+```
+
+执行代码后，可以观察到节点上有一个订阅线程在工作。该订阅已经处理了 7 条消息，目前没有报错。订阅消费队列的最大深度为1000万，目前队列里没有待处理的数据。
+
+  
+![](images/try_example2_8.png)  
+
+**查看流计算引擎状态**
+
+```dolphindb
+getStreamEngineStat().ReactiveStreamEngine
+```
+
+执行以上代码后可以看到，目前插入引擎的输入数据中，只有一个分组（即000155），共输入了 7 条数据，引擎内部维护的状态占用了1836字节。
+
+  
+![](images/try_example2_9%E3%80%81.png)  
+
+**清理流计算环境**
+
+当流计算任务运行一段时间后，或许我们需要下线计算任务、更改计算逻辑或者修改输入源的表结构，那么我们可能需要将订阅、引擎或者流数据表分别取消掉，可以使用以下系统函数。
+
+- 取消订阅：
+
+  ```dolphindb
+  unsubscribeTable(tableName="trade", actionName="factorCal")
+  ```
+
+  执行以上代码可以取消特定的订阅关系，之后表 trade 再发布数据，系统也不会计算主动成交量因子。
+- 释放流计算引擎：
+
+  ```dolphindb
+  dropStreamEngine(`reactiveDemo)
+  ```
+
+  执行以上脚本可以释放流计算引擎
+  `reactiveDemo` ，引擎占用的内存也会一起释放。
+- 删除流数据表：
+
+  ```dolphindb
+  dropStreamTable(`trade)
+  ```
+
+## 附录
+
+**示例 1 完整脚本**
+
+```dolphindb
+// 创建作为输入的流数据表
+share(table=streamTable(1:0, `securityID`dateTime`bidPrice0`bidOrderQty0`offerPrice0`offerOrderQty0, [SYMBOL,TIMESTAMP,DOUBLE,LONG,DOUBLE,LONG]), sharedName=`tick)
+// 创建作为输出的流数据表
+share(table=streamTable(10000:0, ["securityID", "dateTime", "factor"], [SYMBOL, TIMESTAMP, DOUBLE]), sharedName=`resultTable)
+go
+// 定义处理函数
+def factorCalFunc(msg){
+	tmp = select securityID, dateTime, (offerPrice0-bidPrice0)*2\(offerPrice0+bidPrice0) as factor from msg
+	objByName("resultTable").append!(tmp)	
+}
+// 订阅流数据表
+subscribeTable(tableName="tick", actionName="factorCal", offset=-1, handler=factorCalFunc, msgAsTable=true, batchSize=1, throttle=0.001)
+go
+// 模拟数据输入
+insert into tick values(`000001, 2023.01.01T09:30:00.000, 19.98, 100, 19.99, 120)
+insert into tick values(`000001, 2023.01.01T09:30:03.000, 19.96, 130, 19.99, 120)
+insert into tick values(`000001, 2023.01.01T09:30:06.000, 19.90, 120, 20.00, 130)
+```
+
+**示例 2 完整脚本**
+
+```dolphindb
+// 创建作为输入的流数据表
+share(table=streamTable(1:0, `securityID`tradeTime`tradePrice`tradeQty`tradeAmount`buyNo`sellNo, [SYMBOL,TIMESTAMP,DOUBLE,INT,DOUBLE,LONG,LONG]), sharedName=`trade)
+// 创建作为输出的流数据表
+share(table=streamTable(10000:0, ["securityID", "tradeTime", "factor"], [SYMBOL, TIMESTAMP, DOUBLE]), sharedName=`resultTable)
+
+go
+
+// 定义处理函数
+createReactiveStateEngine(name="reactiveDemo", metrics=<[tradeTime, tmsum(tradeTime, iif(buyNo>sellNo, tradeQty, 0), 5m)\tmsum(tradeTime, tradeQty, 5m)]>, dummyTable=trade, outputTable=resultTable, keyColumn="securityID")
+// 订阅流数据表
+subscribeTable(tableName="trade", actionName="factorCal", offset=-1, handler=getStreamEngine("reactiveDemo"), msgAsTable=true, batchSize=1, throttle=0.001)
+
+go
+
+insert into trade values(`000155, 2020.01.01T09:30:00.000, 30.85, 100, 3085, 4951, 0)
+insert into trade values(`000155, 2020.01.01T09:31:00.000, 30.86, 100, 3086, 4952, 1)
+insert into trade values(`000155, 2020.01.01T09:32:00.000, 30.85, 200, 6170, 5001, 5100)
+insert into trade values(`000155, 2020.01.01T09:33:00.000, 30.83, 100, 3083, 5202, 5204)
+insert into trade values(`000155, 2020.01.01T09:34:00.000, 30.82, 300, 9246, 5506, 5300)
+insert into trade values(`000155, 2020.01.01T09:35:00.000, 30.82, 500, 15410, 5510, 5600)
+
+insert into trade values(`000155, 2020.01.01T09:36:00.000, 30.87, 800, 24696, 5700, 5600)
+```

package/templates/claude-global/skills//346/225/260/346/215/256/345/272/223/dwy-dolphindb/references/official/stream/window_join_engine.md

@@ -0,0 +1,233 @@
+---
+source_url: https://docs.dolphindb.cn/zh/stream/window_join_engine.html
+fetched_at: 2026-05-19T09:05:22Z
+category: stream
+title: window join 引擎
+sha1: b3ec21cfa736a50855ae2fb5d9bdb23d429cd1f1
+---
+
+# window join 引擎
+
+window join 引擎由 `createWindowJoinEngine` 函数创建。
+
+window join 引擎的连接机制类似于 SQL 中的 window join，上一小节的 asof join 引擎可以看做是 window join
+引擎的一个特例。按连接列分组，在每个分组内按时间邻近关联右表一个时间窗口内的数据，这个窗口由左表的每一条记录的时刻和创建引擎时指定的窗口（参数
+*window*）决定。引擎默认左右表是有序的，在连接列分组内，对于左表中的每一条记录，会在右表缓存中选取由左表的时刻确定的窗口范围内的记录，可能会找到 0
+至多条记录，引擎将输出一条结果，这条结果由多条右表记录聚合为一条后与左表拼接而成。
+
+window join 引擎在创建时通过参数 *useSystemTime* 指定以下两种规则中的一种，用于判断临近时刻是否到来：
+
+- 规则一：以数据注入引擎时的系统时间为时序标准，则系统时间达到窗口下边界时立刻关联并输出；
+- 规则二：以数据中的时间列为时序标准，当右表数据的最新时刻大于窗口下边界时触发关联并输出。
+
+在规则二的基础上，还可以通过参数 *maxDelayedTime* 设置超时强制触发规则。
+
+下图展示在一个分组中，以非系统时间触发输出的普通窗口（参数 *window*=-1:2 ）连接的效果，由每一条左表记录基于其时间戳往前 1 个时间刻度、往后 2
+个时间刻度划定窗口的上下边界，输出由大于窗口下边界的第一条右表记录触发，窗口计算不包含这条触发记录。
+
+![](images/window_join_engine_1.png)
+
+下图展示在一个分组中，以非系统时间触发输出的特殊窗口（参数 *window*=0:0
+）连接的效果，窗口范围由相邻两条左表记录划定，输出由等于或大于左表时间戳的第一条右表记录触发，窗口计算不包含这条触发记录。后文将介绍一个基于特殊窗口的窗口关联引擎的实际应用场景：对行情快照融合逐笔成交数据。
+
+![](images/window_join_engine_2.png)
+
+`createWindowJoinEngine` 函数的语法如下：
+
+```dolphindb
+createWindowJoinEngine(name, leftTable, rightTable, outputTable, window, metrics, matchingColumn, [timeColumn], [useSystemTime=false], [garbageSize = 5000], [maxDelayedTime], [nullFill], [outputElapsedMicroseconds=false], [sortByTime])
+```
+
+其参数的详细含义可以参考：[createWindowJoinEngine](../funcs/c/createWindowJoinEngine.html) 函数。
+
+## 应用例子 1-行情快照与逐笔成交数据融合
+
+行情快照和逐笔成交数据包含着不同的信息，很多高频因子的计算同时依赖行情快照和成交数据，本例在行情快照数据的基础上融合前后两个快照之间的逐笔成交数据，融合后的数据可以更方便地作为后续复杂因子的计算的输入。
+
+这个场景的特征是，每条行情快照记录匹配一个时间窗口内的全部逐笔成交记录的聚合值，这个时间窗口的上下界由两条行情快照数据的时刻决定，输出与原始的每一条行情快照记录一一对应。对于一个窗口中的逐笔成交记录，既需要计算交易量总和这样的聚合值，也希望以一个字段保留窗口内的全部逐笔成交明细。以下脚本用
+window join 引擎的特殊窗口来实现此场景。
+
+注：
+
+1.30 版本的 DolphinDB 不支持
+array vector 数据形式，以下脚本包含 array vector 功能，因此仅支持 2.00
+版本。
+
+```dolphindb
+// create table
+share streamTable(1:0, `Sym`TradeTime`Side`TradeQty, [SYMBOL, TIME, INT, LONG]) as trades
+share streamTable(1:0, `Sym`Time`Open`High`Low`Close, [SYMBOL, TIME, DOUBLE, DOUBLE, DOUBLE, DOUBLE]) as snapshot
+share streamTable(1:0, `Time`Sym`Open`High`Low`Close`BuyQty`SellQty`TradeQtyList`TradeTimeList, [TIME, SYMBOL, DOUBLE, DOUBLE, DOUBLE, DOUBLE, LONG, LONG, LONG[], TIME[]]) as output
+
+// create engine
+wjMetrics = <[Open, High, Low, Close, sum(iif(Side==1, TradeQty, 0)), sum(iif(Side==2, TradeQty, 0)), TradeQty, TradeTime]>
+fillArray = [00:00:00.000, "", 0, 0, 0, 0, 0, 0, [], []]
+wjEngine = createWindowJoinEngine(name="windowJoin", leftTable=snapshot, rightTable=trades, outputTable=output, window=0:0, metrics=wjMetrics, matchingColumn=`Sym, timeColumn=`Time`TradeTime, useSystemTime=false, nullFill=fillArray)
+
+// subscribe topic
+subscribeTable(tableName="snapshot", actionName="appendLeftStream", handler=getLeftStream(wjEngine), msgAsTable=true, offset=-1, hash=0)
+subscribeTable(tableName="trades", actionName="appendRightStream", handler=getRightStream(wjEngine), msgAsTable=true, offset=-1, hash=1)
+```
+
+- 行情快照数据 snapshot 注入引擎的左表，逐笔成交数据 trades 注入引擎的右表。
+- 引擎参数 *useSystemTime*=false 表示通过数据中的时间列（左表为 Time 字段，右表为 TradeTime
+  字段）来判断左右表中记录的时序关系。
+- 引擎参数 *window*=0:0 表示右表 *trades* 的计算窗口将由左表 *snapshot*
+  当前和其上一条数据的时间戳划定。
+- 引擎参数 *metrics* 表示计算指标，如 Open 表示取左表 *snapshot* 中 Open
+  字段，`sum(iif(Side==1, TradeQty, 0))` 表示对右表
+  *trades* 在窗口内的数据做聚合计算。注意，TradeQty 是右表 *trades* 中的字段，且此处对
+  TradeQty 没有使用聚合函数，则表示对右表 *trades* 在窗口内的全部 TradeQty
+  值保留明细，对应的输出为一个数据类型为 array vector 的字段。
+- 引擎参数 *nullFill* 为可选参数，表示如何填充输出表中的空值，本例中结合实际场景，对于表示价格的字段如 Open
+  等都指定将空值填充为0。注意，*nullFill* 为元组，必须和输出表列字段等长且类型一一对应。
+
+构造数据写入作为原始输入的 2
+个流数据表，先写入右表，再写入左表：
+
+```dolphindb
+// generate data: snapshot
+t1 = table(`A`B`A`B`A`B as Sym, 10:00:00.000+(3 3 6 6 9 9)*1000 as Time, (NULL NULL 3.5 7.6 3.5 7.6) as Open, (3.5 7.6 3.6 7.6 3.6 7.6) as High, (3.5 7.6 3.5 7.6 3.4 7.5) as Low, (3.5 7.6 3.5 7.6 3.6 7.5) as Close)
+// generate data: trade
+t2 = table(`A`A`B`A`B`B`A`B`A`A as Sym, 10:00:02.000+(1..10)*700 as TradeTime,  (1 2 1 1 1 1 2 1 2 2) as Side, (1..10) * 10 as TradeQty)
+// input data
+trades.append!(t2)
+snapshot.append!(t1)
+```
+
+输入数据与关联关系如下：
+
+![](images/window_join_engine_3.png)
+
+关联得到的结果表
+*output* 如下，其中最后两列为 array vector 类型数据，记录了窗口中全部成交记录的 TradeQty
+字段明细、TradeTime 字段明细。
+
+注意，输出表比左表 *snapshot* 少一条数据，即左表 *snapshot*
+中分组 B 内时间戳为 10:00:09.000 的数据没有输出，这是因为右表 *trades* 中分组 B 内没有等于或大于
+10:00:09.000 的数据来关闭窗口。在实际生产中，当接入实时数据时，若需要左表 *snapshot* 一旦达到引擎便立即输出，则建议选择
+*useSystemTime*=true，即用系统时间作为时间戳，这时，对于任意一条左表记录，右表窗口是从前一条左表记录到达到本条记录到达之间进入引擎的全部右表数据。
+
+![](images/window_join_engine_4.png)
+
+## 应用例子 2
+
+```dolphindb
+share streamTable(1:0, `time`sym`price, [TIMESTAMP, SYMBOL, DOUBLE]) as leftTable
+share streamTable(1:0, `time`sym`val, [TIMESTAMP, SYMBOL, DOUBLE]) as rightTable
+output=table(100:0, `time`sym`factor1`factor2`factor3, [TIMESTAMP, SYMBOL, DOUBLE, DOUBLE, DOUBLE])
+
+nullFill= [2012.01.01T00:00:00.000, `NONE, 0.0, 0.0, 0.0]
+wjEngine=createWindowJoinEngine(name="test1", leftTable=leftTable, rightTable=rightTable, outputTable=output,  window=-2:2, metrics=<[price,val,sum(val)]>, matchingColumn=`sym, timeColumn=`time, useSystemTime=false,nullFill=nullFill)
+
+subscribeTable(tableName="leftTable", actionName="joinLeft", offset=0, handler=appendForJoin{wjEngine, true}, msgAsTable=true)
+subscribeTable(tableName="rightTable", actionName="joinRight", offset=0, handler=appendForJoin{wjEngine, false}, msgAsTable=true)
+
+n=10
+tp1=table(take(2012.01.01T00:00:00.000+0..10, 2*n) as time, take(`A, n) join take(`B, n) as sym, take(NULL join rand(10.0, n-1),2*n) as price)
+tp1.sortBy!(`time)
+leftTable.append!(tp1)
+
+tp2=table(take(2012.01.01T00:00:00.000+0..10, 2*n) as time, take(`A, n) join take(`B, n) as sym, take(double(1..n),2*n) as val)
+tp2.sortBy!(`time)
+rightTable.append!(tp2)
+
+select * from output where time between 2012.01.01T00:00:00.000:2012.01.01T00:00:00.001
+```
+
+| time | sym | factor1 | factor2 | factor3 |
+| --- | --- | --- | --- | --- |
+| 2012.01.01T00:00:00.000 | A | 0 | 1 | 6 |
+| 2012.01.01T00:00:00.000 | A | 0 | 2 | 6 |
+| 2012.01.01T00:00:00.000 | A | 0 | 3 | 6 |
+| 2012.01.01T00:00:00.001 | A | 5.2705 | 1 | 10 |
+| 2012.01.01T00:00:00.001 | A | 5.2705 | 2 | 10 |
+| 2012.01.01T00:00:00.001 | A | 5.2705 | 3 | 10 |
+| 2012.01.01T00:00:00.001 | A | 5.2705 | 4 | 10 |
+| 2012.01.01T00:00:00.000 | B | 5.2705 | 2 | 9 |
+| 2012.01.01T00:00:00.000 | B | 5.2705 | 3 | 9 |
+| 2012.01.01T00:00:00.000 | B | 5.2705 | 4 | 9 |
+| 2012.01.01T00:00:00.001 | B | 1.0179 | 2 | 14 |
+| 2012.01.01T00:00:00.001 | B | 1.0179 | 3 | 14 |
+| 2012.01.01T00:00:00.001 | B | 1.0179 | 4 | 14 |
+| 2012.01.01T00:00:00.001 | B | 1.0179 | 5 | 14 |
+
+下例展示特殊窗口的计算：
+
+```dolphindb
+share streamTable(1:0, `time`sym`price, [TIMESTAMP, SYMBOL, DOUBLE]) as leftTable
+share streamTable(1:0, `time`sym`val, [TIMESTAMP, SYMBOL, DOUBLE]) as rightTable
+
+v = [1, 5, 10, 15]
+tp1=table(2012.01.01T00:00:00.000+v as time, take(`A   , 4) as sym, rand(10.0,4) as price)
+
+v = [1, 2, 3, 4, 5, 6, 9, 15]
+tp2=table(2012.01.01T00:00:00.000+v as time, take(`A   , 8) as sym, rand(10.0,8) as val)
+
+output=table(100:0, `time`sym`price`val`sum_val, [TIMESTAMP, SYMBOL, DOUBLE, DOUBLE[], DOUBLE])
+wjEngine=createWindowJoinEngine(name="test1", leftTable=leftTable, rightTable=rightTable, outputTable=output,  window=0:0, metrics=<[price, val, sum(val)]>, matchingColumn=`sym, timeColumn=`time, useSystemTime=false)
+
+subscribeTable(tableName="leftTable", actionName="joinLeft", offset=0, handler=appendForJoin{wjEngine, true}, msgAsTable=true)
+subscribeTable(tableName="rightTable", actionName="joinRight", offset=0, handler=appendForJoin{wjEngine, false}, msgAsTable=true)
+
+leftTable.append!(tp1)
+rightTable.append!(tp2)
+```
+
+| time | sym | price | val | sum\_val |
+| --- | --- | --- | --- | --- |
+| 2012.01.01T00:00:00.001 | A | 8.8252 | [] |  |
+| 2012.01.01T00:00:00.005 | A | 7.1195 | [7.495792,9.417891,1.419681,...] | 21.3741 |
+| 2012.01.01T00:00:00.010 | A | 5.2217 | [4.840462,8.086567,3.495306] | 16.4223 |
+| 2012.01.01T00:00:00.015 | A | 9.2517 | [] |  |
+
+下例展示指定 sortByTime = true 时，引擎将按时间顺序输出数据。
+
+```dolphindb
+//清理引擎及变量
+unsubscribeTable(tableName="leftTable", actionName="joinLeft")
+unsubscribeTable(tableName="rightTable", actionName="joinRight")
+undef(`leftTable,SHARED)
+undef(`rightTable,SHARED)
+dropAggregator(name="test1")
+
+//定义引擎
+share streamTable(1:0, `time`sym`price, [TIMESTAMP, SYMBOL, DOUBLE]) as leftTable
+share streamTable(1:0, `time`sym`val, [TIMESTAMP, SYMBOL, DOUBLE]) as rightTable
+output=table(100:0, `time`sym`factor1`factor2`factor3, [TIMESTAMP, SYMBOL, DOUBLE, DOUBLE, DOUBLE])
+nullFill= [2012.01.01T00:00:00.000, `NONE, 0.0, 0.0, 0.0]
+wjEngine=createWindowJoinEngine(name="test1", leftTable=leftTable, rightTable=rightTable, outputTable=output,  window=-2:2, metrics=<[price,val,sum(val)]>, matchingColumn=`sym, timeColumn=`time, useSystemTime=false,nullFill=nullFill, sortByTime=true)
+
+//定义数据
+subscribeTable(tableName="leftTable", actionName="joinLeft", offset=0, handler=appendForJoin{wjEngine, true}, msgAsTable=true)
+subscribeTable(tableName="rightTable", actionName="joinRight", offset=0, handler=appendForJoin{wjEngine, false}, msgAsTable=true)
+
+n=10
+tp1=table(take(2012.01.01T00:00:00.000+0..10, 2*n) as time, take(`A, n) join take(`B, n) as sym, take(NULL join rand(10.0, n-1),2*n) as price)
+tp1.sortBy!(`time)
+leftTable.append!(tp1)
+
+tp2=table(take(2012.01.01T00:00:00.000+0..10, 2*n) as time, take(`A, n) join take(`B, n) as sym, take(double(1..n),2*n) as val)
+tp2.sortBy!(`time)
+rightTable.append!(tp2)
+
+sleep(100)
+select * from output where time between 2012.01.01T00:00:00.000:2012.01.01T00:00:00.001
+```
+
+| time | sym | factor1 | factor2 | factor3 |
+| --- | --- | --- | --- | --- |
+| 2012.01.01T00:00:00.000 | A | 0 | 1 | 6 |
+| 2012.01.01T00:00:00.000 | A | 0 | 2 | 6 |
+| 2012.01.01T00:00:00.000 | A | 0 | 3 | 6 |
+| 2012.01.01T00:00:00.000 | B | 3.9389 | 2 | 9 |
+| 2012.01.01T00:00:00.000 | B | 3.9389 | 3 | 9 |
+| 2012.01.01T00:00:00.000 | B | 3.9389 | 4 | 9 |
+| 2012.01.01T00:00:00.001 | A | 3.9389 | 1 | 10 |
+| 2012.01.01T00:00:00.001 | A | 3.9389 | 2 | 10 |
+| 2012.01.01T00:00:00.001 | A | 3.9389 | 3 | 10 |
+| 2012.01.01T00:00:00.001 | A | 3.9389 | 4 | 10 |
+| 2012.01.01T00:00:00.001 | B | 4.9875 | 2 | 14 |
+| 2012.01.01T00:00:00.001 | B | 4.9875 | 3 | 14 |
+| 2012.01.01T00:00:00.001 | B | 4.9875 | 4 | 14 |
+| 2012.01.01T00:00:00.001 | B | 4.9875 | 5 | 14 |