mongodb - 文档数据库是否适合存储大量股票报价数据？

想要改进这个问题吗？ 更新问题，以便 editing this post 提供事实和引用来回答它.

关闭 6 年前。

我正在考虑使用 mongodb 或 ravendb 之类的数据库来存储大量股票报价数据，并想知道与 Sql Server 之类的标准关系相比，这是否可行。

数据不会是真正的关系数据，而是几个巨大的表。我还想我可以按分钟/小时/天/周/月等对数据行求和/最小/最大行数，以便更快地计算。

示例数据: 500 个符号 * 60 分钟 * 60 秒 * 300 天...(我们存储的每条记录:日期、开盘价、最高价、最低价、收盘价、交易量、开盘整数 - 所有小数/ float )

你们觉得呢？

最佳答案

自从 2010 年提出这个问题以来，已经发布了多个数据库引擎或开发了专门处理时间序列(例如股票价格数据)的功能:

对于 MongoDB 或其他面向文档的数据库，如果您以性能为目标，建议是 contort your schema组织以秒为键的对象中的刻度(或以分钟为单位的对象，每分钟是另一个 60 秒的对象)。使用专门的时间序列数据库，您可以简单地查询数据

SELECT open, close FROM market_data
WHERE symbol = 'AAPL' AND time > '2016-09-14' AND time < '2016-09-21'

I was also thinking that I could sum/min/max rows of data by minute/hour/day/week/month etc for even faster calculations.

使用 InfluxDB，这非常简单。以下是获取每日最小值和最大值的方法:

SELECT MIN("close"), MAX("close") FROM "market_data" WHERE WHERE symbol = 'AAPL'
GROUP BY time(1d)

您可以按时间间隔分组，可以是微秒 (u)、秒 (s)、分钟 (m)、小时(h)、天 (d) 或周 (w)。

TL;DR

在存储和查询大量股票报价数据方面，时间序列数据库比面向文档的数据库更好。

https://stackoverflow.com/questions/3207563/

相关文章：

python - 如何将数据读入 TensorFlow？