3、核心数据结构：使用SortedDict实现价格队列
做订单簿系统，说白了就是在和时间赛跑。每一微秒的延迟，都可能意味着策略的滑点。今天我们来聊聊订单簿里最核心的数据结构——价格队列。
为什么需要SortedDict？
订单簿的本质是什么？是不同价格上的挂单集合。买盘从高到低排，卖盘从低到高排。你想想看，如果每次来一个新订单，都要遍历整个列表去找插入位置，那性能就太差了。
我刚开始做订单簿的时候，用的是Python自带的dict加list排序。结果呢？回测跑得挺欢，一上实盘就崩了。后来我才意识到，价格队列需要的是一个有序的映射结构——既能按价格快速查找，又能按价格顺序遍历。
这就是SortedDict的用武之地。
SortedDict的核心特性
说白了，SortedDict就是一个始终保持键有序的字典。它内部用平衡树（通常是红黑树）实现，插入、删除、查找都是O(log n)的复杂度。
我个人的习惯是，把价格作为键，把该价格上的所有订单列表作为值。这样，获取最优买卖价就是O(1)的操作——直接取第一个或最后一个键。
核心优势：
- 按价格排序：买盘降序，卖盘升序
- 快速定位：O(log n)找到指定价格
- 范围查询：轻松获取价格区间内的所有订单
- 内存友好：只存储有挂单的价格
代码实现：一个精简的订单簿
来看一个实际例子。我用Python的sortedcontainers库来实现一个简单的订单簿。嗯，这里要注意，sortedcontainers不是标准库，需要pip安装。
from sortedcontainers import SortedDict
from collections import deque
from dataclasses import dataclass
from typing import Dict, Deque
@dataclass
class Order:
order_id: str
price: float
quantity: float
side: str # 'buy' or 'sell'
class OrderBook:
def __init__(self):
# 买盘：价格降序排列
self.bids = SortedDict(lambda k: -k)
# 卖盘：价格升序排列
self.asks = SortedDict()
# 快速查找订单
self.orders: Dict[str, Order] = {}
def add_order(self, order: Order):
"""添加订单到价格队列"""
if order.side == 'buy':
queue = self.bids
else:
queue = self.asks
if order.price not in queue:
queue[order.price] = deque()
queue[order.price].append(order)
self.orders[order.order_id] = order
def cancel_order(self, order_id: str):
"""撤销订单"""
order = self.orders.get(order_id)
if not order:
return
if order.side == 'buy':
queue = self.bids
else:
queue = self.asks
price_queue = queue.get(order.price)
if price_queue:
price_queue.remove(order)
if not price_queue:
del queue[order.price]
del self.orders[order_id]
def get_best_bid(self) -> float:
"""获取最优买价"""
if not self.bids:
return 0.0
return self.bids.peekitem(0)[0]
def get_best_ask(self) -> float:
"""获取最优卖价"""
if not self.asks:
return float('inf')
return self.asks.peekitem(0)[0]
def get_order_book_snapshot(self, depth: int = 10):
"""获取订单簿快照"""
bids = [(price, sum(o.quantity for o in q))
for price, q in list(self.bids.items())[:depth]]
asks = [(price, sum(o.quantity for o in q))
for price, q in list(self.asks.items())[:depth]]
return {'bids': bids, 'asks': asks}性能对比：SortedDict vs 其他方案
我曾经做过一个基准测试，对比了三种实现方案。结果很能说明问题：
| 方案 | 插入耗时 | 查询最优价 | 删除耗时 | 内存占用 |
|---|---|---|---|---|
| list + 排序 | O(n) | O(1) | O(n) | 低 |
| heapq | O(log n) | O(1) | O(n) | 中 |
| SortedDict | O(log n) | O(1) | O(log n) | 中 |
看到没？SortedDict在三个核心操作上都很均衡。list方案插入慢，heapq方案删除慢。而SortedDict，说白了就是「样样通，样样松」——但这里的「松」也足够用了。
避坑指南：我踩过的几个坑
我曾经犯过一个低级错误：直接用float作为价格键。结果呢？浮点数精度问题导致两个看似相同的价格被当成不同的键。后来我改用整数（价格乘以10000，用分作为单位），问题就解决了。
还有一次，我在多线程环境下共享SortedDict，没加锁。结果数据错乱，查了半天才发现是并发写入的问题。记住：SortedDict不是线程安全的，需要自己加锁或用线程安全版本。
重要提醒：
- 价格用整数表示，避免浮点精度问题
- 多线程环境要加锁保护
- 删除空队列时要及时清理，避免内存泄漏
- 注意SortedDict的key比较函数，买盘和卖盘方向不同
可视化：价格队列的结构
下面这张图展示了订单簿中价格队列的组织方式。你可以看到，买盘和卖盘分别维护一个SortedDict，每个价格对应一个订单队列。
实际项目中的优化技巧
在实盘环境中，我一般会做几个额外的优化：
- 预分配内存：对于高频交易的热门价格，提前创建好队列，避免运行时动态分配
- 批量操作：把多个订单的增删操作合并成一次排序，减少树结构调整次数
- 缓存最优价：如果最优价没变，直接返回缓存值，省去一次字典查询
- 使用C扩展：sortedcontainers底层是纯Python实现的，性能瓶颈时可以考虑用C++重写核心部分
小技巧：
如果你用的是C++，可以考虑用std::map或boost::container::flat_map。flat_map在数据量小时（几百个价格以内）性能反而更好，因为缓存局部性好。我实测过，当价格层级少于500时，flat_map比红黑树快30%左右。
好了，关于SortedDict实现价格队列的核心内容就这些。记住一句话：选对数据结构，性能就赢了一半。下一节我们会深入订单匹配引擎的实现，到时候你会看到这些数据结构是如何协同工作的。
公众号:蓝海资料掘金营，微信deep3321