我根据股票代码的首字母使用范围划分策略对数据进行划分，导致划分结果不均匀

Question

我根据股票代码的首字母使用范围划分策略对数据进行划分，导致划分结果不均匀。如何解决不均衡问题？

我需要根据两个维度对股票的出价数据进行划分:日期和股票代码。如果仅根据股票代码的首字母进行范围划分，由于以“U，V，X，Y，Z”开头的股票很少，因此数据分布可能不均匀。如何解决这个问题？

Answer 1

数据分布不需要完全分散...你这样做会有多大的影响...你有没有可以被认为过于集中的“热点”？或者只有几个空的分区？

Answer 2

为了便于根据数据的分布进行分区，DolphinDB提供了函数cutPoints(X，N，freq)。这里X是一个数组，N表示需要生成多少组，freq是X的等长数组，其中每个元素对应于元素在X中的频率。该函数返回一个包含(N + 1)个元素的数组，表示N个组，因此X中的数据均匀分布在这N个组中。在下面的示例中，您需要将股票报价数据按照日期和股票行情两个维度进行划分。如果简单地将范围除以股票的第一个字母，很容易导致数据分布不均匀，因为很少的股票刻度以U、V、X、Y、Z和其他字母开头。这里我们使用cutPoints函数，根据2007.08.01当天的数据，将股票行情分成128个分区，每个分区包含当天相同数量的记录：

t = ploadText(WORK_DIR+"/TAQ20070801.csv")
t=select count(*) as ct from t where date=2007.08.01 group by sym
bolbuckets = cutPoints(t.symbol, 128, t.ct)
dateDomain = database("", VALUE, 2017.07.01..2018.06.30)
symDomain = database("", RANGE, buckets)
stockDB = database("dfs://stockDBTest", COMPO, [dateDomain, symDomain])