在关系型数据库中，表中的数据一般都是以无序的状态存储在磁盘上的。当没有对应的索引时，如果要查询表中的数据，只能使用全表检索，一条一条读取所有记录，然后与查询条件进行比较。显然，这种方式会造成大量的磁盘I/O操作和CPU计算，消耗大量的系统时间。因此，索引成为必须。选项。使用CREATEINDEX[indexname]ontablename(columnname,...)语句为表中的数据创建最常用的key-value索引，key-value索引的实现大多使用B+树型数据结构，具有以下性质：1.是一棵平衡树，即根节点到叶节点的深度差不超过1；2、非叶子节点只存储键值和子节点指针，不存储数据；3.叶子节点存储key值，对应记录的地址和叶子节点的链表指针，链表中的叶子节点是key-value排序的，但是这些属性会不会保证查询性能满足用户的需要？下面我们以银行账户的时间段查询为例。讨论索引性能问题。为了方便说明问题，这里我们将B+树简化为一个3叉B+树，以账号和交易日期为键值，如下图所示：如果我们要从中查询账号A0022000-01-01到2000-01-07的交易流程，数据库系统会先查找帐号为A002且日期不早于2000-01-01的键值所在的叶子节点。结果是依次读取索引块A、B、C，然后找到索引块C如果索引块C中的最后一个日期早于或等于2001-01-07，则可以直接读取索引列D根据叶子节点的链表。依此类推，直到索引块中的日期大于2001-01-07。观察上面的过程，我们发现2000-01-01对应的记录在数据页1，2000-01-02和2000-01-03对应的记录在数据页2，2000对应的记录-01-04在数据页3，4条记录需要读取3个数据页。在极端情况下，甚至任何记录都在不同的数据页中。这时候，如果数据区的记录已经按照key-value的顺序存储，那么磁盘IO就可以明显减少。此外，如果将记录数据直接存储在叶子节点中，可以减少查询过程中索引页和数据页之间的跳转，对机械硬盘的性能造成严重影响。集算器的组表可以轻松解决这些问题。下面以股票交易数据为例，说明分组表的使用。A2：创建数据结构为(sid,tdate,open,close,volume)的组表，指定sid和tdate为key，@r指定数据存储在行中A5：追加按sid和tdate排序的数据tdate到group表A6：以sid和tdate为键值建立索引idx1A1：读取组表A2：根据索引idx1定义查询数据的游标A3：在游标中取数据在建立索引idx1时，也可以将所有需要的数据存储在索引中，例如要在索引idx1中存储open、close、volume这三列，只要将上表中的A2.index(idx1;sid,tdate)改为A1.index(idx1;sid,tdate;open,close,volume)，这样查询就可以不读数据文件，只读索引文件，这样查询速度更快。
