Cloud Bigtable 的存储架构如何让它“天生适合”时序数据？
How does cloud Bigtable’s storage architecture make it ‘naturally fit’ for time-series data?
我不明白这种说法（GCP 云 Bigtable 文档）及其背后的原因。
Storing time-series data in Cloud Bigtable is a natural fit. Cloud Bigtable stores data as unstructured columns in rows; each row has a row key, and row keys are sorted lexicographically.
这种存储方式如何使其自然适合时间序列数据？
我认为这在以下内容中有一定的深度：
https://cloud.google.com/bigtable/docs/schema-design-time-series
这是否“天作之合”是品味或意见的问题。不过它确实有效，这意味着它可以很好地扩展并且可以存储大量数据。
Timeseries 是一个 (Time,Value) 密钥对。您可以将时间放入行键，将值放入列中。由于行是按键排序的，因此您可以有效地获取给定时间范围内的值，因为这是分析时间序列时的常见任务。
我不明白这种说法（GCP 云 Bigtable 文档）及其背后的原因。
Storing time-series data in Cloud Bigtable is a natural fit. Cloud Bigtable stores data as unstructured columns in rows; each row has a row key, and row keys are sorted lexicographically.
这种存储方式如何使其自然适合时间序列数据？
我认为这在以下内容中有一定的深度：
https://cloud.google.com/bigtable/docs/schema-design-time-series
这是否“天作之合”是品味或意见的问题。不过它确实有效，这意味着它可以很好地扩展并且可以存储大量数据。
Timeseries 是一个 (Time,Value) 密钥对。您可以将时间放入行键，将值放入列中。由于行是按键排序的，因此您可以有效地获取给定时间范围内的值，因为这是分析时间序列时的常见任务。