create-dwy 0.12.2 → 0.13.1

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

@@ -0,0 +1,160 @@
+---
+source_url: https://docs.dolphindb.cn/zh/stream/stateless_operators.html
+fetched_at: 2026-05-19T09:05:03Z
+category: stream
+title: 无状态算子
+sha1: 49472229906445fc220b089058c9228f933d584e
+---
+
+# 无状态算子
+
+无状态算子用于无状态计算场景，其特性在于计算过程中的输出完全基于当前输入，不受先前状态或历史记录的影响。即无论计算执行之前是否有其他输入，只要每次输入相同，对应的输出结果都将保持一致。
+
+![](images/stateless_operators_1.png)
+
+DolphinDB 内置了丰富的计算函数，方便用户低代码实现复杂的数据分析和金融量化因子计算。内置的转换函数均可以无缝地作为无状态算子，应用于流数据的无状态计算中。
+
+## 无状态算子应用
+
+本节介绍自定义回调函数进行数据的 ETL 的案例。其实现过程中需要自定义无状态算子。
+
+本例以 levle2 股票快照数据为例，对原始行情数据进行数据的清洗和转换。
+
+**step 1：创建发布流数据表**
+
+```dolphindb
+colNames = `SecurityID`DateTime`PreClosePx`OpenPx`HighPx`LowPx`LastPx`TotalVolumeTrade`TotalValueTrade`InstrumentStatus`BidPrice0`BidPrice1`BidPrice2`BidPrice3`BidPrice4`BidPrice5`BidPrice6`BidPrice7`BidPrice8`BidPrice9`BidOrderQty0`BidOrderQty1`BidOrderQty2`BidOrderQty3`BidOrderQty4`BidOrderQty5`BidOrderQty6`BidOrderQty7`BidOrderQty8`BidOrderQty9`OfferPrice0`OfferPrice1`OfferPrice2`OfferPrice3`OfferPrice4`OfferPrice5`OfferPrice6`OfferPrice7`OfferPrice8`OfferPrice9`OfferOrderQty0`OfferOrderQty1`OfferOrderQty2`OfferOrderQty3`OfferOrderQty4`OfferOrderQty5`OfferOrderQty6`OfferOrderQty7`OfferOrderQty8`OfferOrderQty9
+colTypes = [SYMBOL, TIMESTAMP, DOUBLE, DOUBLE, DOUBLE, DOUBLE, DOUBLE, INT, DOUBLE, SYMBOL, DOUBLE, DOUBLE, DOUBLE, DOUBLE, DOUBLE, DOUBLE, DOUBLE, DOUBLE, DOUBLE, DOUBLE, INT, INT, INT, INT, INT, INT, INT, INT, INT, INT, DOUBLE, DOUBLE, DOUBLE, DOUBLE, DOUBLE, DOUBLE, DOUBLE, DOUBLE, DOUBLE, DOUBLE, INT, INT, INT, INT, INT, INT, INT, INT, INT, INT]
+share(table=streamTable(1:0, colNames, colTypes), sharedName="pubTable")
+```
+
+**step 2：创建存储处理后数据的共享流数据表**
+
+```dolphindb
+colNames = ["SecurityID", "TradeDate", "TradeTime", "avgBidPrice", "sumBidQty", "minAskPrice", "maxAskQty"]
+colTypes = [SYMBOL, DATE, TIME, DOUBLE, INT, DOUBLE, DOUBLE]
+share(table=streamTable(1:0, colNames, colTypes), sharedName=`result)
+```
+
+**step 3：定义数据清洗和转换的回调函数**
+
+```dolphindb
+def dataETL(mutable result, msg){
+	// data ETL
+	tmp = 	select 	SecurityID,
+			date(DateTime) as TradeDate,
+			time(DateTime) as TradeTime,
+			avg(BidPrice0+BidPrice1+BidPrice2+BidPrice3+BidPrice4+BidPrice5+BidPrice6+BidPrice7+BidPrice8+BidPrice9) as avgBidPrice,
+			sum(BidOrderQty0+BidOrderQty1+BidOrderQty2+BidOrderQty3+BidOrderQty4+BidOrderQty5+BidOrderQty6+BidOrderQty7+BidOrderQty8+BidOrderQty9) as sumBidQty,
+			min(OfferPrice0+OfferPrice1+OfferPrice2+OfferPrice3+OfferPrice4+OfferPrice5+OfferPrice6+OfferPrice7+OfferPrice8+OfferPrice9) as stdAskPrice,
+			max(OfferOrderQty0+OfferOrderQty1+OfferOrderQty2+OfferOrderQty3+OfferOrderQty4+OfferOrderQty5+OfferOrderQty6+OfferOrderQty7+OfferOrderQty8+OfferOrderQty9) as skewAskQty
+		from msg
+		where LastPx>0, time(DateTime)>=09:30:00.000
+	// result storage
+	result.append!(tmp)
+}
+```
+
+注：
+
+自定义回调函数 `dataETL` 的参数 *result* 为一个共享流数据表，用于存储处理后的数据。需要通过 mutable
+将其标识为可变参数，否则它只是只读变量，不能 `append!` 进行追加数据等操作。
+
+**step 4：订阅发布流数据表**
+
+```dolphindb
+subscribeTable(tableName="pubTable", actionName="dataETL", offset=-1, handler=dataETL{result}, msgAsTable=true, batchSize=2000, throttle=0.01, reconnect=true)
+```
+
+注：
+
+handler 是自定义回调函数 `dataETL`，它接受 2 个参数：*result* 和
+*msg*。其中，*result* 是一个在外部已经定义并初始化的变量，需要通过部分应用（使用
+`{}`）的方式传入 `handler` 函数中。而 *msg*
+是从订阅的流数据表中接收到的增量数据对象，在 `handler`
+函数的定义中，无需显式指定其传入方式，因为它会自动作为第二个参数传递给函数。
+
+**step 5：模拟批量数据写入**
+
+```dolphindb
+rowNums = 10
+simulateData = table(
+	take(`000001SZ, rowNums) as SecurityID,
+	take(0..(rowNums-1), rowNums)*1000*3+2023.12.15T09:30:00.000 as DateTime,
+	take(10.6, rowNums) as PreClosePx,
+	take(10.8, rowNums) as OpenPx,
+	take(10.8, rowNums) as HighPx,
+	take(10.2, rowNums) as LowPx,
+	take(10.5, rowNums) as LastPx,
+	take(0..(rowNums-1), rowNums)*1000+100000 as TotalVolumeTrade,
+	take(0..(rowNums-1), rowNums)*1000*10.6+100000*10.6 as TotalValueTrade,
+	take(`s, rowNums) as InstrumentStatus,
+	take(10.4, rowNums) as BidPrice0,
+	take(10.3, rowNums) as BidPrice1,
+	take(10.2, rowNums) as BidPrice2,
+	take(10.1, rowNums) as BidPrice3,
+	take(10.0, rowNums) as BidPrice4,
+	take(9.9, rowNums) as BidPrice5,
+	take(9.8, rowNums) as BidPrice6,
+	take(9.7, rowNums) as BidPrice7,
+	take(9.6, rowNums) as BidPrice8,
+	take(9.5, rowNums) as BidPrice9,
+	take(10000, rowNums) as BidOrderQty0,
+	take(20000, rowNums) as BidOrderQty1,
+	take(30000, rowNums) as BidOrderQty2,
+	take(40000, rowNums) as BidOrderQty3,
+	take(50000, rowNums) as BidOrderQty4,
+	take(60000, rowNums) as BidOrderQty5,
+	take(50000, rowNums) as BidOrderQty6,
+	take(40000, rowNums) as BidOrderQty7,
+	take(30000, rowNums) as BidOrderQty8,
+	take(20000, rowNums) as BidOrderQty9,
+	take(10.6, rowNums) as OfferPrice0,
+	take(10.7, rowNums) as OfferPrice1,
+	take(10.8, rowNums) as OfferPrice2,
+	take(10.9, rowNums) as OfferPrice3,
+	take(11.0, rowNums) as OfferPrice4,
+	take(11.1, rowNums) as OfferPrice5,
+	take(11.2, rowNums) as OfferPrice6,
+	take(11.3, rowNums) as OfferPrice7,
+	take(11.4, rowNums) as OfferPrice8,
+	take(11.5, rowNums) as OfferPrice9,
+	take(10000, rowNums) as OfferOrderQty0,
+	take(20000, rowNums) as OfferOrderQty1,
+	take(30000, rowNums) as OfferOrderQty2,
+	take(40000, rowNums) as OfferOrderQty3,
+	take(50000, rowNums) as OfferOrderQty4,
+	take(60000, rowNums) as OfferOrderQty5,
+	take(50000, rowNums) as OfferOrderQty6,
+	take(40000, rowNums) as OfferOrderQty7,
+	take(30000, rowNums) as OfferOrderQty8,
+	take(20000, rowNums) as OfferOrderQty9)
+tableInsert(pubTable, simulateData)
+```
+
+**step 6：查询结果表数据**
+
+```dolphindb
+res = select * from result where tradetime=09:30:09.000
+```
+
+返回结果 res：
+
+![](images/stateless_operators_2.png)
+
+可以看到成功对原始行情数据进行了清洗和转换。
+
+**step 7：取消订阅**
+
+```dolphindb
+unsubscribeTable(tableName="pubTable", actionName="dataETL")
+```
+
+**step 8：删除发布流数据表和结果流数据表**
+
+删除发布流数据表前，必须先把其所有订阅取消掉。
+
+```dolphindb
+dropStreamTable(tableName="pubTable")
+dropStreamTable(tableName="result")
+```

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

@@ -0,0 +1,77 @@
+---
+source_url: https://docs.dolphindb.cn/zh/stream/str_altair.html
+fetched_at: 2026-05-19T09:06:08Z
+category: stream
+title: Altair 连接 DolphinDB 数据源
+sha1: d2eb7159ba7dd5d9e17d4d13abc8e877b145f198
+---
+
+# Altair 连接 DolphinDB 数据源
+
+在数据爆炸增长时代，不仅需要高效分析来洞察数据背后的规律，更要敏锐把握时机，才能更好地释放数据价值，实时反控商业决策。数据可视化是一种将数据转化成图形化表达的技术，通过图表、图形、地图的展现形式，海量复杂数据能够化繁为简，快速、清晰地传达关键趋势和规律信息。
+
+实时数据可视化在全球金融市场业务中的交易、分析、监控等各个场景都有广泛应用价值。例如报表数据的实时计算，配合关键指标直观输出和展示，能帮助决策者更好地理解业务运作情况，为决策提供数据可视化支持。
+
+为了用户能更方便地实现数据可视化，DolphinDB 已完成与 Altair® Panopticon™ 流数据分析平台的数据对接。
+
+![](images/str_altair_1.png)
+
+## Panopticon 流数据分析平台
+
+Panopticon 流数据分析平台由数据科学和人工智能领域领先企业 Altair
+研发，包含了一套专门针对时序数据进行了优化的实时数据可视化系统。系统仪表盘交互便捷，具有丰富的过滤工具，用户只需简单点击，便可以自由调整时间线长度、聚焦重点数据以及排除无关变量，直观地理解复杂关系。
+
+## DolphinDB 流数据应用
+
+DolphinDB
+高吞吐、低延迟、高可用的流数据框架能帮助用户实现流数据的发布、订阅、预处理、实时内存计算、复杂指标的滚动窗口计算、实时关联、异常数据检测等各种功能，内置的 10+
+流数据计算引擎能满足复杂业务场景下的数据处理需求。
+
+## 应用场景示例
+
+用 DolphinDB 和 Altair Panopticon 共同搭建的高性能时序数据分析平台包括了 SQL
+查询和流数据表订阅两种数据接口，用户能够访问和分析实时流数据、日内累计数据和历史数据，并对接收到的数据实时地进行可视化展示。直观易懂的操作流程让用户可以快速地掌握使用方法，在几分钟内连接到数据源，设计一个自动刷新的可交互仪表盘并将其发布，以供交易、分析、监控等相关人员使用。
+
+![](images/str_altair_2.png)
+
+图 1. 日频交易数据分析
+
+例如，使用 DolphinDB 流计算引擎搭配 Panopticon 可视化应用搭建价格分析仪表盘，可以将 K
+线、移动平均指数、交易量等信息组合在一张图中，快速查看市场整体趋势或关键指标。
+
+DolphinDB 和 Panopticon 的流数据引擎支持实时流数据分析或历史数据回放，用户可以选择实时监控或回放任意频率、任意时间段的交易活动。
+
+![](images/str_altair_3.png)
+
+图 2. 订单簿分析
+
+![](images/str_altair_4.png)
+
+图 3. 期货行情分析
+
+## 实时流数据分析流程
+
+DolphinDB + Panopticon 实时流数据分析流程如下图所示：
+
+![](images/str_altair_5.png)
+
+图 4. 流数据处理流程
+
+- DolphinDB 订阅源数据并进行数据预处理。
+- 预处理后的数据接入流数据引擎进行计算分析，DolphinDB
+  针对不同场景提供了多种流计算引擎，用户可以根据需要选择引擎或组合使用多种引擎共同完成计算任务。
+- 计算完成的流数据表会被发布供消费端进行订阅及消费。
+- 通过 Panopticon 流数据订阅接口接收 DolphinDB
+  发送的数据，并按业务需求制作仪表盘，供交易、分析、监控等相关人员使用。Panopticon
+  内置的聚合引擎、计算引擎和警报引擎可以满足不类型的图表制作以及完整性校验需求。
+- 迭代、扩展和部署流处理计算系统。
+- 迭代、扩展和部署可视化分析仪表盘。
+
+此次 DolphinDB 与 Altair Panopticon
+携手成功地搭建了高性能时序数据可视化分析平台，帮助用户实现实时数据的可视化分析，通过将大量复杂数据转化为直观的图形表达，用户可以轻松地访问、分析和可视化展示各种数据、理解数据趋势和信息规律，从而更高效的实现数据价值。
+
+![](images/str_altair_6.png)
+
+## 使用方法
+
+如需了解 Altair 连接 DolphinDB 数据源的方法，请联系 DolphinDB 技术支持。

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

@@ -0,0 +1,294 @@
+---
+source_url: https://docs.dolphindb.cn/zh/stream/str_api_python.html
+fetched_at: 2026-05-19T09:05:40Z
+category: stream
+title: Python API 接入数据
+sha1: 0055d09c56d08ea316a2b157624727e5f8e3e534
+---
+
+# Python API 接入数据
+
+实时流数据接入是指将数据从数据源实时写入 DolphinDB 中，供后续进行清洗、计算等使用。本文档介绍如何使用 Python API 把数据写入 DolphinDB。
+
+按照上游发布端数据产生频率大小推荐不同的写入接口：
+
+- 当数据实时写入频率小于 100 条每秒时，推荐使用 `tableInsert`
+  同步写入接口，其写入延时相对其它接口是最低的。
+- 当数据实时写入频率大于 100 条每秒时，推荐使用 `MultithreadedTableWriter`
+  异步写入接口，其吞吐量和写入延时综合效益最高。
+
+下面将介绍两种场景下推荐函数的使用方法和基准性能。
+
+如果本文档中遇到 DolphinDB Python API 使用相关问题，参考：[Python API](https://docs.dolphindb.cn/zh/pydoc/py.html)。
+
+## tableInsert 同步写入接口
+
+当数据实时写入频率小于 100 条每秒时，推荐使用 `tableInsert` 同步接口写入数据。本文档提供 10
+列数据的写入示例和基准性能。
+
+### step1：创建共享普通流数据表
+
+```dolphindb
+import dolphindb as ddb
+import numpy as np
+import pandas as pd
+import random
+
+s = ddb.session()
+s.connect(host="localhost", port=8848, userid="admin", password="123456")
+
+script = """
+  name = `c1Time`c2Symbol`c3Int`c4Int`c5Long`c6Long`c7Float`c8Float`c9Double`c10ArrayInt
+  type = [TIMESTAMP, SYMBOL, INT, INT, LONG, LONG, FLOAT, FLOAT, DOUBLE, INT[]]
+  share(table=streamTable(20000:0, name, type), sharedName="sharedMinBar")
+"""
+s.run(script)
+```
+
+注意：生产环境推荐使用共享持久化流数据表。
+
+### step2：tableInsert 写入数据
+
+```dolphindb
+def createData():
+    c1Time = [pd.Timestamp.now()]
+    c2Symbol = ['000001']
+    c3Int = [random.randint(0, 10)]
+    c4Int = [random.randint(0, 10)]
+    c5Long = [random.randint(0, 1000)]
+    c6Long = [random.randint(0, 1000)]
+    c7Float = [random.uniform(0, 1)]
+    c8Float = [random.uniform(0, 1)]
+    c9Double = [random.uniform(0, 1)]
+    c10ArrayInt = [np.random.randint(10,size=10)]
+    return [c1Time, c2Symbol, c3Int, c4Int, c5Long, c6Long, c7Float, c8Float, c9Double, c10ArrayInt]
+
+if __name__ == "__main__":
+    inertRows = 10000
+    for i in range(inertRows):
+        insertData = createData()
+        s.run("tableInsert{sharedMinBar}",insertData)
+```
+
+### step3：查询表中数据
+
+```dolphindb
+pd = s.run("select * from sharedMinBar limit 10")
+```
+
+![](images/python_1.png)
+
+### step4：删除流数据表并关闭当前会话
+
+```dolphindb
+script = """
+    dropStreamTable(tableName="sharedMinBar")
+"""
+s.run(script)
+s.close()
+```
+
+### 基准性能
+
+`tableInsert` 同步写入接口基准性能测试代码请参考附录 B，测试结果如下：
+
+| 指标 | 性能（毫秒） |
+| --- | --- |
+| 最小单次插入耗时 | 0.31 |
+| 最大单次插入耗时 | 1.24 |
+| 平均单次插入耗时 | 0.69 |
+
+单次插入耗时统计图如下：
+
+![](images/python_2.png)
+
+基准性能测试结果显示，DolphinDB Python API 的 `tableInsert` 同步写入接口具有以下特点：
+
+- 实时逐条写入共享流数据表的平均耗时是 0.69 毫秒。
+- 稳定性较好，波动较小，平均单条数据写入的最大耗时小于 2 毫秒。
+
+## MultithreadedTableWriter 异步写入接口
+
+当数据写入频率大于 100 条每秒时，推荐使用 `MultithreadedTableWriter`（MTW） 函数写入数据。
+
+如下图所示，`MultithreadedTableWriter` 函数把 Python 端实时产生的数据先通过 insert 线程写入
+MTW 消息队列，同时 append 线程会批量取出消息队列的数据，自动转换数据类型后把数据写入 DolphinDB。
+
+![](images/python_3.png)
+
+下面为 `MultithreadedTableWriter` 使用示例。
+
+1. 逐笔成交表
+
+   ```dolphindb
+   import numpy as np
+   import pandas as pd
+   import dolphindb as ddb
+   import random
+   import datetime
+
+   s = ddb.session()
+   s.connect(host="localhost", port=8848, userid="admin", password="123456")
+
+   writer = ddb.MultithreadedTableWriter("localhost", 8848, "admin", "123456","","tglobal",False,False,[],10,0,2,"SecurityID")
+   start = datetime.datetime.now()
+   for i in range(100):
+       res = writer.insert(random.randint(1,100),random.randint(1,100),str(i),random.randint(1,100),random.randint(1,100),str(i),str(i),random.random(),random.randint(1,100),str(i),np.datetime64('2021-01-04T09:30:02.000'),9,random.randint(1,100),random.randint(1,100),random.random(),str(i),random.randint(1,100),str(i),str(i))
+   writer.waitForThreadCompletion()
+   print(writer.getStatus())
+
+   // output
+   '''
+   errorCode     : None
+    errorInfo     : 
+    isExiting     : True
+    sentRows      : 10000
+    unsentRows    : 0
+    sendFailedRows: 0
+    threadStatus  : 
+    	threadId	sentRows	unsentRows	sendFailedRows
+   	       0	       0	         0	             0
+   	2474632960	    4994	         0	             0
+   	2483025664	    5006	         0	             0
+   <dolphindb.session.MultithreadedTableWriterStatus object at 0x7f0ca9f0e8d0>
+   '''
+   ```
+2. arrayVector 类型快照表
+
+   ```dolphindb
+   writer = ddb.MultithreadedTableWriter("localhost", 8892, "admin", "123456","","tglobal",False,False,[],10,0,2,"SecurityID")
+   for i in range(10000):
+       res = writer.insert(str(i),np.datetime64('2021-01-04T09:30:02.000'),random.random(),random.random(),random.random(),random.random(),random.random(),random.randint(1,100),random.random(),"OCALL",np.random.rand(10),np.random.randint(10,size=10),np.random.randint(10,size=10),np.random.randint(10,size=10),np.random.rand(10),np.random.randint(10,size=10),np.random.randint(10,size=10),np.random.randint(10,size=10),random.randint(1,100),random.random(),random.randint(1,100),random.randint(1,100),random.random(),random.random(),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.random(),random.randint(1,100),random.randint(1,100),random.random(),random.randint(1,100),random.randint(1,100),random.random(),random.randint(1,100),random.randint(1,100),random.random())
+   writer.waitForThreadCompletion()
+   print(writer.getStatus())
+
+   // output
+   '''
+   errorCode     : None
+    errorInfo     : 
+    isExiting     : True
+    sentRows      : 10000
+    unsentRows    : 0
+    sendFailedRows: 0
+    threadStatus  : 
+    	threadId	sentRows	unsentRows	sendFailedRows
+   	       0	       0	         0	             0
+   	2474632960	    4994	         0	             0
+   	2466240256	    5006	         0	             0
+   <dolphindb.session.MultithreadedTableWriterStatus object at 0x7f0cb032e190>
+   '''
+   ```
+3. multicolumn 类型快照表
+
+   ```dolphindb
+   writer = ddb.MultithreadedTableWriter("localhost", 8892, "admin", "123456","","tglobal",False,False,[],10,0,2,"SecurityID")
+   for i in range(10000):
+       res = writer.insert(str(i),np.datetime64('2021-01-04T09:30:02.000'),random.random(),random.random(),random.random(),random.random(),random.random(),random.randint(1,100),random.random(),str(i),random.random(),random.random(),random.random(),random.random(),random.random(),random.random(),random.random(),random.random(),random.random(),random.random(),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.random(),random.random(),random.random(),random.random(),random.random(),random.random(),random.random(),random.random(),random.random(),random.random(),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.random(),random.randint(1,100),random.randint(1,100),random.random(),random.random(),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.randint(1,100),random.random(),random.randint(1,100),random.randint(1,100),random.random(),random.randint(1,100),random.randint(1,100),random.random(),random.randint(1,100),random.randint(1,100),random.random())
+   writer.waitForThreadCompletion()
+   print(writer.getStatus())
+
+   // output
+   '''
+   errorCode     : None
+    errorInfo     : 
+    isExiting     : True
+    sentRows      : 10000
+    unsentRows    : 0
+    sendFailedRows: 0
+    threadStatus  : 
+    	threadId	sentRows	unsentRows	sendFailedRows
+   	       0	       0	         0	             0
+   	2474632960	    4994	         0	             0
+   	2466240256	    5006	         0	             0
+   <dolphindb.session.MultithreadedTableWriterStatus object at 0x7f0ca9b37fd0>
+   '''
+   ```
+
+## 附录 A-测试环境
+
+表 1. 硬件环境
+
+| 硬件名称 | 配置信息 |
+| --- | --- |
+| CPU | Intel(R) Xeon(R) Silver 4216 CPU @ 2.10GHz |
+| 内存 | 32 GB |
+| 磁盘 | SSD 500 GB |
+
+表 2. 软件环境
+
+| 软件名称 | 版本信息 |
+| --- | --- |
+| 操作系统 | CentOS Linux 7 (Core) |
+| 内存 | 3.10.0-1160.el7.x86\_64 |
+| DolphinDB server | 2.00.10.9 2023.12.09 |
+| DolphinDB Python API | 1.30.22.6 |
+| Python | 3.11.5 |
+| Numpy | 1.24.4 |
+| Pandas | 2.1.1 |
+
+## 附录 B-tableInsert 同步写入接口基准性能测试代码
+
+```dolphindb
+import dolphindb as ddb
+import numpy as np
+import pandas as pd
+import random
+
+#模拟数据
+def createData():
+    c1Time = [pd.Timestamp.now()]
+    c2Symbol = ['000001']
+    c3Int = [random.randint(0, 10)]
+    c4Int = [random.randint(0, 10)]
+    c5Long = [random.randint(0, 1000)]
+    c6Long = [random.randint(0, 1000)]
+    c7Float = [random.uniform(0, 1)]
+    c8Float = [random.uniform(0, 1)]
+    c9Double = [random.uniform(0, 1)]
+    c10ArrayInt = [np.random.randint(10,size=10)]
+    return [c1Time, c2Symbol, c3Int, c4Int, c5Long, c6Long, c7Float, c8Float, c9Double, c10ArrayInt]
+
+if __name__ == "__main__":
+    #与DolphinDB建立会话
+    s = ddb.session()
+    s.connect(host="localhost", port=8200, userid="admin", password="123456")
+    #创建共享普通流数据表
+    script = """
+      name = `c1Time`c2Symbol`c3Int`c4Int`c5Long`c6Long`c7Float`c8Float`c9Double`c10ArrayInt
+      type = [TIMESTAMP, SYMBOL, INT, INT, LONG, LONG, FLOAT, FLOAT, DOUBLE, INT[]]
+      share(table=streamTable(20000:0, name, type), sharedName="sharedMinBar")
+    """
+    s.run(script)
+    #测试写入数据行数
+    inertRows = 10000
+    #延时统计
+    minCostTime = 1000.0
+    maxCostTime = 0.0
+    totalCostTime = 0.0
+    count = 0
+    for i in range(inertRows):
+        insertData = createData()
+        startTime = pd.Timestamp.now()
+        s.run("tableInsert{sharedMinBar}",insertData)
+        delta = (pd.Timestamp.now() - startTime) / np.timedelta64(1, 'ms')
+        if(delta < minCostTime):
+            minCostTime = delta
+        if(delta > maxCostTime):
+            maxCostTime = delta
+        totalCostTime += delta
+        count += 1
+        #每隔一段时间打印写入性能测试结果
+        if(count %10000 == 0):
+            print(f"min: {minCostTime} ms")
+            print(f"max: {maxCostTime} ms")
+            print("count:", count)
+            print(f"totalCostTime: {totalCostTime} ms")
+            print(f"avg: {totalCostTime / count} ms")
+    #删除流数据表
+    script = """
+        dropStreamTable(tableName="sharedMinBar")
+    """
+    s.run(script)
+    #关闭当前会话
+    s.close()
+```

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

@@ -0,0 +1,90 @@
+---
+source_url: https://docs.dolphindb.cn/zh/stream/str_batch.html
+fetched_at: 2026-05-19T09:05:36Z
+category: stream
+title: 流批一体
+sha1: bcd812ee1dd7b09d73db0855ac96022674663bf2
+---
+
+# 流批一体
+
+流批一体是指将研发环境中基于历史数据建模分析得到的因子或表达式直接应用于生产环境的实时数据中，并保证流计算的结果和批量计算完全一致，二者使用同一套代码，称为“流批一体”。
+
+## 处理架构
+
+DolphinDB
+将历史数据和实时数据分析计算整合，在研发环境中开发的核心因子表达式可以直接应用于生产环境的实时数据中。实时行情订阅、行情数据收录、交易实时计算、盘后研究建模，全都用同一套代码完成，保证在历史回放和生产交易当中数据完全一致。相比传统的
+Python 与 C++ 两套代码的方案，开发上线周期可缩短 90% 以上。在生产环境中，DolphinDB
+提供了实时流计算框架。在流计算框架下，用户在投研阶段封装好的基于批量数据开发的因子函数，可以无缝投入交易和投资方面的生产程序中。同时，流计算框架在算法路径上进行了精细的优化，兼顾了高效开发和计算性能的优势。用户无需维护两套代码，节约了开发成本，还规避了两套体系可能带来的批计算与流计算结果不一致的问题。
+
+  
+![](images/str_batch.png)  
+
+图 1. 流批一体处理架构
+
+流批一体在 DolphinDB 中有两种实现方法：
+
+## 方法一
+
+**使用一套核心函数定义或表达式，代入不同的计算引擎实现历史数据或流数据的计算。**
+
+流数据引擎可以直接重用批处理（研发阶段）中基于历史数据编写的表达式或函数，避免在生产环境重写代码，降低了维护研发和生产两套代码的负担。DolphinDB
+脚本语言表示的表达式实际上是对因子语义的描述，因子计算的具体实现则交由相应的计算引擎完成。DolphinDB
+确保流式计算的结果与批量计算完全一致，因此代码只要在历史数据的批量计算中验证正确，即可保证流数据的实时计算正确，极大降低了实时计算的调试成本。实际应用中，投研批处理阶段定义的因子表达式无需修改，在生产阶段只需创建流式计算引擎指定该指标即可实现增量流计算。
+
+例如，计算每天主买成交量占全部成交量的比例，可以自定义函数 `buyTradeRatio`：
+
+```dolphindb
+@state
+def buyTradeRatio(buyNo, sellNo, tradeQty){
+    return cumsum(iif(buyNo>sellNo, tradeQty, 0))\cumsum(tradeQty)
+}
+```
+
+在批处理模式下，可以使用 SQL 查询，发挥库内并行计算的优势，使用 `csort` 语句对组内数据按照时间顺序排序：
+
+```dolphindb
+factor = select TradeTime, SecurityID, `buyTradeRatio as factorname, buyTradeRatio(BuyNo, SellNo, TradeQty) as val from loadTable("dfs://tick_SH_L2_TSDB","tick_SH_L2_TSDB") where date(TradeTime)<2020.01.31 and time(TradeTime)>=09:30:00.000 context by SecurityID, date(TradeTime) csort TradeTime
+```
+
+在流处理模式下，可以通过响应式状态引擎指定该因子实现增量计算。在批计算中定义的因子函数 `buyTradeRatio` ，只需增加
+`@state` 标识声明其为状态函数即可在流式计算中复用。通过以下代码创建响应式状态引擎 demo，以 SecurityID
+作为分组键，输入的消息格式同内存表 *tickStream*。
+
+```dolphindb
+tickStream = table(1:0, `SecurityID`TradeTime`TradePrice`TradeQty`TradeAmount`BuyNo`SellNo, [SYMBOL,DATETIME,DOUBLE,INT,DOUBLE,LONG,LONG])
+result = table(1:0, `SecurityID`TradeTime`Factor, [SYMBOL,DATETIME,DOUBLE])
+factors = <[TradeTime, buyTradeRatio(BuyNo, SellNo, TradeQty)]>
+demoEngine = createReactiveStateEngine(name="demo", metrics=factors, dummyTable=tickStream, outputTable=result, keyColumn="SecurityID")
+```
+
+## 方法二
+
+**回放历史数据模拟实时数据流入，使用流数据计算引擎完成计算。**
+
+为确保研发和生产环境使用同一套代码，可以研发阶段需将历史数据严格按照事件发生的时间顺序进行回放，以此模拟交易环境。使用这种方法计算历史数据的因子值，效率会略逊与基于
+SQL 的批量计算。
+
+下例通过用户自定义函数 `sum_diff` 与内置函数 `ema` (exponential moving
+average) 计算高频因子 factor1：
+
+```dolphindb
+def sum_diff(x, y){
+ return (x-y)/(x+y)
+}
+factor1 = <ema(1000 * sum_diff(ema(price, 20), ema(price, 40)),10) -  ema(1000 * sum_diff(ema(price, 20), ema(price, 40)), 20)>
+
+// 定义响应式状态引擎实现因子流式计算
+share streamTable(1:0, `sym`date`time`price, [STRING,DATE,TIME,DOUBLE]) as tickStream
+result = table(1:0, `sym`factor1, [STRING,DOUBLE])
+rse = createReactiveStateEngine(name="reactiveDemo", metrics =factor1, dummyTable=tickStream, outputTable=result, keyColumn="sym")
+subscribeTable(tableName=`tickStream, actionName="factors", handler=tableInsert{rse})
+```
+
+回放历史数据模拟实时数据注入引擎触发计算：
+
+```dolphindb
+// 从 trades 表中加载一天的数据，回放到流数据表 tickStream 中
+inputDS = replayDS(<select sym, date, time, price from loadTable("dfs://TAQ", "trades") where date=2021.03.08>, `date, `time, 08:00:00.000 + (1..10) * 3600000)
+replay(inputDS, tickStream, `date, `time, 1000, true, 2)
+```