DataView本质是一个数据存储器，一个研究可能只使用一个DataView，用以保证数据在使用过程中的一致性。同时，DataView也封装了增、删、改、查、I/O等操作，增加便利性。
由数据库取到的数据构建而成的DataView，只含有数据提供商所提供的数据，而对这些数据进行清洗、进而构造各种各样的衍生数据、指标、信号是研究和回测中非常常用的。纯粹的存储器只提供数据出入的接口，如果需要添加衍生数据，需要取出原始数据，计算后再放回存储器中；而DataView还提供了add_formula接口，让用户可以通过传入数学公式的方式，流程化、自动化地进行数据计算、对齐并添加到DataView中。
add_formula的signature为void add_formula(new_field_name, formula, is_quarterly)。new_field_name为字符串，是给运算结果的命名；is_quarterly为bool值，表示公式运算结果是日频率还是季度频率（目前只支持这两种频率）formula是用字符串表示的数学公式。抽象来看formula具有以下形式：
$$
f( x_1, x_2, \dots, x_n)
$$
其中$f$是下方列表中支持的运算或函数，$x_i$为DataView中已经存在的字段名。
- 指数成分：
DataView中包含一段时间内universe的所有股票，但每天universe的股票是变化的，在进行一些横截面运算时（如排序），会先将当天非指数成分的数据置为NaN，再运算 - 季度数据的自动展开和对齐：当不同频率的数据一起运算时，会将季度数据按照公布日期(ann_date)展开并对齐到交易日，再和日频数据运算。
| 分类 | 说明 | 公式 | 示例 |
|---|---|---|---|
| 四则运算 | 加法运算 | + | close + open |
| 四则运算 | 减法运算 | - | close - open |
| 四则运算 | 乘法运算 | * | vwap * volume |
| 四则运算 | 除法运算 | / | close / open |
| 基本数学函数 | 符号函数，返回值为{-1, 0, 1} | Sign(x) | Sign(close-open) |
| 基本数学函数 | 绝对值函数 | Abs(x) | Abs(close-open) |
| 基本数学函数 | 自然对数 | Log(x) | Log(close/open) |
| 基本数学函数 | 对x取负 | -x | -close |
| 基本数学函数 | 幂函数 | ^ | close ^ 2 |
| 基本数学函数 | 幂函数x^y | Pow(x,y) | Pow(close,2) |
| 基本数学函数 | 保持符号的幂函数，等价于Sign(x) * (Abs(x)^e) | SignedPower(x,e) | SignedPower(close-open, 0.5) |
| 基本数学函数 | 取余函数 | % | oi % 10 |
| 逻辑运算 | 判断是否相等 | == | close == open |
| 逻辑运算 | 判断是否不等 | != | close != open |
| 逻辑运算 | 大于 | > | close > open |
| 逻辑运算 | 小于 | < | close < open |
| 逻辑运算 | 大于等于 | >= | close >= open |
| 逻辑运算 | 小于等于 | <= | close <= open |
| 逻辑运算 | 逻辑与 | && | (close > open) && (close > vwap) |
| 逻辑运算 | 逻辑或 | ||
| 逻辑运算 | 逻辑非 | ! | !(close>open) |
| 逻辑运算 | 判断值是否为NaN | IsNan(x) | IsNan(net_profit) |
| 三角函数 | 正弦函数 | Sin(x) | Sin(close/open) |
| 三角函数 | 余弦函数 | Cos(x) | Cos(close/open) |
| 三角函数 | 正切函数 | Tan(x) | Tan(close/open) |
| 三角函数 | 开平方函数 | Sqrt(x) | Sqrt(close^2 + open^2) |
| 取整函数 | 向上取整 | Ceil(x) | Ceil(high) |
| 取整函数 | 向下取整 | Floor(x) | Floor(low) |
| 取整函数 | 四舍五入 | Round(x) | Round（close） |
| 选择函数 | 取 x 和 y 同位置上的较大值组成新的DataFrame返回 | Max(x,y) | Max(close, open) |
| 选择函数 | 取 x 和 y 同位置上的较小值组成新的DataFrame返回 | Min(x,y) | Min(close,open) |
| 选择函数 | cond为True取x的值，反之取y的值 | If(cond,x,y) | If(close > open, close, open) 表示取open和close的较大值 |
| 时间序列函数 - 基本数学运算 | 指标n个周期前的值 | Delay(x,n) | Delay(close,1) 表示前一天收盘价 |
| 时间序列函数 - 基本数学运算 | 指标在过去n天的和 | Ts_Sum(x,n) | Sum(volume,5) 表示一周成交量 |
| 时间序列函数 - 基本数学运算 | 指标在过去 n 天的积 | Ts_Product(x,n) | Product(close/Delay(close,1),5) - 1 表示过去5天累计收益 |
| 时间序列函数 - 基本数学运算 | 指标当前值与n天前的值的差 | Delta(x,n) | Delta(close,5) |
| 时间序列函数 - 基本数学运算 | 计算指标相比n天前的变化率，默认计算百分比变化率；当log为1是，计算对数变化率 | Return(x,n,log) | Return(close,5,True)计算一周对数收益 |
| 时间序列函数 - 基本数学运算 | 计算指标在过去n天的平均值 | Ts_Mean(x，n) | Ts_Mean(close,5) |
| 时间序列函数 - 统计 | 指标在过去n天的标准差 | StdDev(x,n) | StdDev(close/Delay(close,1)-1, 10) |
| 时间序列函数 - 统计 | 两个指标在过去n天的协方差 | Covariance(x,y,n) | Covariance(close, open, 10) |
| 时间序列函数 - 统计 | 两个指标在过去n天的相关系数 | Correlation(x,y,n) | Correlation(close,open, 10) |
| 时间序列函数 - 统计 | 计算指标在过去n天的最小值 | Ts_Min(x，n) | Ts_Min(close，5) |
| 时间序列函数 - 统计 | 计算指标在过去n天的最大值 | Ts_Max(x，n) | Ts_Max(close，5) |
| 时间序列函数 - 统计 | 计算指标在过去n天的偏度 | Ts_Skewness(x，n) | Ts_Skewness(close，20) |
| 时间序列函数 - 统计 | 计算指标在过去n天的峰度 | Ts_Kurtosis(x，n) | Ts_Kurtosis(close，20) |
| 时间序列函数 - 排名 | 计算指标在过去n天的排名，返回值为名次 | Ts_Rank(x, n) | Ts_Rank(close, 5) |
| 时间序列函数 - 排名 | 计算指标在过去n天的百分比，返回值为[0.0, 1.0] | Ts_Percentile(x, n) | Ts_Percentile(close, 5) |
| 时间序列函数 - 排名 | 计算指标在过去n天所属的quantile，返回值为表示quantile的整数 | Ts_Quantile(x, n) | Ts_Quantile(close, 5) |
| 时间序列函数 - 排名 | 指数移动平均，以halflife的衰减对x进行指数移动平均 | Ewma(x, halflife) | Ewma(x, 3) |
| 横截面函数 - 排名 | 将指标值在横截面方向排名，返回值为名次 | Rank(x) | Rank( close/Delay(close,1)-1 ) 表示按日收益率进行排名 |
| 横截面函数 - 排名 | 按分组数据g在每组内将指标值在横截面方向排名，返回值为名次 | GroupRank(x,g) | GroupRank(close/Delay(close,1)-1, g) 表示按分组g根据日收益率进行分组排名 |
| 横截面函数 - 排名 | 将指标值在横截面方向排名，返回值为排名百分比 | Percentile(x) | Percentile(close, sw1) 按申万1级行业 |
| 横截面函数 - 排名 | 按分组数据g在每组内将指标值在横截面方向排名，返回值为排名百分比 | GroupPercentile(x, g, n) | |
| 横截面函数 - 排名 | 和Rank函数相同，但只有 cond 中值为True的标的参与排名 | ConditionRank(x, cond) | GroupRank(close/Delay(close,1)-1, cond) 表示按条件cond根据日收益率进行分组排名 |
| 横截面函数 - 排名 | 根据指标值在横截面方向将标的分成n个quantile，返回值为所属quantile | Quantile(x, n) | Quantile( close/Delay(close,1)-1,5)表示按日收益率分为5档 |
| 横截面函数 - 排名 | 按分组数据g在每组内根据指标值在横截面方向将标的分成n个quantile，返回值为所属quantile | GroupQuantile(x, g, n) | GroupQuantile(close/Delay(close,1)-1,g,5) 表示按日收益率和分组g进行分档，每组分为5档 |
| 横截面函数 - 数据处理 | 将指标标准化，即在横截面上减去平均值后再除以标准差 | Standardize(x) | Standardize(close/Delay(close,1)-1) 表示日收益率的标准化 |
| 横截面函数 - 数据处理 | 将指标横截面上去极值，用MAD (Maximum Absolute Deviation)方法, z_score为极值判断标准 | Cutoff(x, z_score) | Cutoff(close,3) 表示去掉z_score大于3的极值 |
| 财报函数 | 将累计财务数据转换为单季财务数据 | CumToSingle(x) | CumToSingle(net_profit) |
| 财报函数 | 从累计财务数据计算TTM的财务数据 | TTM(x) | TTM(net_profit) |
| 其他 | 过去 n 天的指数衰减函数，其中 f 是平滑因子。这里 f 是平滑因子，可以赋一个小于 1 的值。Decay_exp(x, f, n) = (x[date] + x[date - 1] * f + … +x[date – n - 1] * (f (n – 1))) / (1 + f + … + f ^ (n - 1)) | Decay_exp(x,f,n) | Decay_exp(close,0.9,10) |
| 其他 | 过去n天的线性衰减函数。Decay_linear(x, n) = (x[date] * n + x[date - 1] * (n - 1) + … + x[date – n - 1]) / (n + (n - 1) + … + 1) | Decay_linear(x,n) | Decay_linear(close,15) |
| 其他 | 如果 x 的值介于 lower 和 upper，则将其设定为 newval | Tail(x, lower, upper, newval) | Tail(close/open, 0.99, 1.01, 1.0) |
| 其他 | Step(n) 为每个标的创建一个向量，向量中 n 代表最新日期，n-1 代表前一天，以此类推。 | Step(n) | Step(30) |
| 其他 | 时间序列函数，计算 x 中的值在过去 n 天中为 nan （非数字）的次数 | CountNans(x,n) | CountNans((close-open)^0.5, 10) 表示过去10天内有几天close小于open |
注：
- 时间序列函数计算结果由该指标过去n个值计算得来
- 横截面函数由同一天所有标的的同一个指标值计算得来