对于2.0引擎，指定databse参数为engine = “TSDB”。TSDB引擎专为时序数据设计，十分适用于时间相关、单点查询的场景。查询可以不以分区为单位，只查询某一个sort column列的某个取值对应的数据，例如查询某个设备id在某个时间段内的全部数据。因此该场景非常适用TSDB引擎进行建库，以便于提升后续的查询性能。
分区：对于不同level的数据，由于数据量大小不同，为保证最佳性能，尽量将数据均匀分区。合理分区的原则：将每个表的每个分区的数据量控制在压缩前100M左右。
针对行情数据，通常可用时间和产品标识两个维度来进行分区。这里对股票和时间字段采用组合分区。
为保证合理的分区粒度：
股票字段：
股票数据较为均匀：可以采用哈希分区，随着数据量的增大，哈希分区有利于维护各个分区粒度均匀，拓展性较好。
不同股票字段数据量差异大：可以考虑采用范围分区，将股票字段划分成多个范围，使得每一个范围内的产品的数据总量比较均衡。
时间字段：
值分区：通过在配置项里设置newValuePartitionPolicy=add，对于新增数据，系统可以自动增加分区，因此分区拓展性好。根据数据自身的时间和查询的时间粒度，可以指定值分区的粒度，如按小时/天/月等。
创建分区表：以股票和时间字段作为sortColumns。
DolphinDB 2.0设计了加快分区内部检索的sort key，属于同一个key的数据按序连续地存储在分区内部。对于频繁查询或者数据较多的字段适合设置为sortColumns. 查询时，sortColumns作为索引入口，可以定位数据所在的文件位置，提高查询性能。且当sortColumns设置为多列，建议最后一列为时间相关列。
SQL查询：查询中用where语句指定sortColumns作为查询字段可以提高查询性能。因此这里用股票代码和查询的时间作为条件范围，且条件之间建议以 ”，”连接，先锁定对应股票的分区，然后筛选对应时间范围的数据。和"and"连接不同，“，”对于数据的筛选是按照条件顺序筛选的，而“and"则是将每个条件筛选的结果取交集。更多查询优化还可以参考用户手册：查询数据
更多相关案例可以参考： DolphinDB入门：量化金融范例 和 国内股票行情数据导入实例