数据类型与表引擎：基础数据类型、MergeTree家族引擎、ReplacingMergeTree与SummingMergeTree实战

聊到ClickHouse，绕不开的就是数据类型和表引擎。这两样东西，说白了就是数据库的「地基」和「骨架」。地基没打好，后面盖多高的楼都悬；骨架选错了，跑起来就费劲。今天咱们就掰开揉碎了聊聊这块内容。

一、基础数据类型：别小看这些「砖块」

ClickHouse的数据类型，乍一看跟别的数据库差不多，但用起来细节挺多。我个人习惯先把常用的几类理清楚：

1. 数值类型

• 整数：UInt8、UInt16、UInt32、UInt64，还有带符号的Int8到Int64。注意，ClickHouse默认用UInt64做自增ID，但如果你数据量没那么大，用UInt32就够了，能省不少空间。
• 浮点数：Float32、Float64。做量化分析时，价格数据我建议用Decimal而不是Float，避免精度丢失。你想想看，股票价格精确到小数点后两位，用Float32存久了误差会累积。
• Decimal：Decimal(P, S)，P是总位数，S是小数位数。比如Decimal(18, 4)，存价格、成交量这些精确数据很稳。

2. 字符串类型

• String：变长字符串，存股票代码、交易对名称这些。
• FixedString(N)：定长字符串。比如股票代码固定6位，用FixedString(6)比String快，因为不需要记录长度信息。

3. 日期时间类型

• Date：只存日期，占2字节。
• DateTime：存日期+时间，精度到秒。
• DateTime64：支持毫秒、微秒。量化分析中，高频数据必须用这个。

4. 特殊类型

• Array(T)：数组类型。比如存一条K线里的多个价格点，用Array(Float64)很方便。
• Tuple：元组，可以存不同类型的数据组合。
• Nullable：允许空值。但注意，Nullable会额外占用空间，能不用尽量不用。

二、MergeTree家族引擎：核心中的核心

MergeTree是ClickHouse的「王牌引擎」。其他所有引擎，说白了都是它的变种。我刚开始接触时，觉得MergeTree这个名字挺抽象，后来理解了它的工作原理，才发现设计得真巧妙。

它的核心思想是：数据先按分区存储，后台异步合并。写入时很快，查询时按分区裁剪数据，效率极高。

创建MergeTree表的语法很简单：

CREATE TABLE trades (
    symbol String,
    trade_time DateTime64(3),
    price Decimal(18, 4),
    volume UInt64
) ENGINE = MergeTree()
ORDER BY (symbol, trade_time)
PARTITION BY toYYYYMM(trade_time);

这里的关键是ORDER BY和PARTITION BY。排序键决定了数据在磁盘上的物理顺序，查询时按这个顺序扫描效率最高。分区键则决定了数据按什么粒度切分。

三、ReplacingMergeTree：去重利器

做量化分析时，经常遇到重复数据。比如从交易所拉数据，偶尔会收到重复的成交记录。这时候ReplacingMergeTree就派上用场了。

它的原理很简单：在后台合并时，如果发现排序键相同的数据，只保留最后一条（按版本号或时间戳判断）。

CREATE TABLE trades_dedup (
    symbol String,
    trade_time DateTime64(3),
    price Decimal(18, 4),
    volume UInt64,
    version UInt64  -- 版本号，越大越新
) ENGINE = ReplacingMergeTree(version)
ORDER BY (symbol, trade_time)
PARTITION BY toYYYYMM(trade_time);

嗯，这里要注意：ReplacingMergeTree的去重是「最终一致性」的。也就是说，刚写入的数据可能还没合并，查询时仍然会看到重复。我一般在查询时加个FINAL修饰符：

SELECT * FROM trades_dedup FINAL WHERE symbol = 'BTCUSDT';

这样查询时会在内存中做一次去重，但性能会受影响。数据量大的时候，我建议还是等后台合并完成，或者自己写逻辑处理。

四、SummingMergeTree：聚合加速器

这个引擎是我在量化分析中最常用的。它的作用是在后台合并时，自动对数值列进行求和。说白了，就是预聚合。

比如你存的是每秒的成交数据，但查询时经常按分钟、小时聚合。用SummingMergeTree，合并时就把相同排序键的数据求和了，查询时直接读聚合后的结果，快得飞起。

CREATE TABLE trades_agg (
    symbol String,
    bucket_time DateTime,  -- 时间桶，比如每分钟
    total_volume UInt64,
    total_amount Decimal(18, 4),
    trade_count UInt64
) ENGINE = SummingMergeTree()
ORDER BY (symbol, bucket_time)
PARTITION BY toYYYYMM(bucket_time);

写入时，你只需要按时间桶写入原始数据：

INSERT INTO trades_agg VALUES
('BTCUSDT', '2024-01-01 10:00:00', 100, 5000.00, 10),
('BTCUSDT', '2024-01-01 10:00:00', 200, 10000.00, 15);

合并后，这两条数据会变成一条：

('BTCUSDT', '2024-01-01 10:00:00', 300, 15000.00, 25)

五、实战对比：什么时候用哪个？

场景	推荐引擎	原因
原始成交数据，需要精确查询	MergeTree	保留所有原始记录，不做任何变换
有重复数据，需要去重	ReplacingMergeTree	自动去重，节省存储和查询时间
按时间桶聚合，如分钟K线	SummingMergeTree	预聚合，查询速度提升10倍以上
既要去重又要聚合	AggregatingMergeTree	高级用法，支持自定义聚合函数

我个人建议：在量化分析项目中，可以同时建三张表——原始数据用MergeTree，去重后的用ReplacingMergeTree，聚合后的用SummingMergeTree。数据流就是：原始表 → 去重表 → 聚合表。这样各司其职，查询时按需选择。