🧱 一、现实问题：requirements.txt 的“依赖泥潭”

在老项目中，常见的现象是这样的：

$ pip list
Package         Version
--------------- --------
numpy           1.24.3
pandas          2.0.1
requests        2.31.0
urllib3         2.0.4
charset-normalizer 3.2.0
idna            3.4
fastapi         0.95.2
uvicorn         0.22.0
pydantic        1.10.11
...

看起来一切正常，其实乱得很。
因为 requirements.txt 里可能只有 3~5 个包：

fastapi==0.95.2
pandas==2.0.1
uvicorn==0.22.0

但 pip list 却列出了几十个依赖。这时有两个关键问题：

1. 哪些是项目自己需要的？
2. 哪些是​依赖的依赖(transitive dependencies)？

我们要在迁移前先把这些关系理清，否则迁移到 pyproject.toml 之后仍旧是混乱的。

🧩 二、精准识别“主依赖” vs “传递依赖”

1️⃣ 使用 pipdeptree 分析依赖树

安装：

pip install pipdeptree

查看依赖层级：

pipdeptree --warn silence

示例输出：

fastapi==0.95.2
  - pydantic [required: <2.0.0, installed: 1.10.11]
  - starlette [required: <1.0.0, installed: 0.27.0]
pandas==2.0.1
  - numpy [required: >=1.20.3, installed: 1.24.3]
  - python-dateutil [installed: 2.8.2]
  - pytz [installed: 2023.3]
uvicorn==0.22.0
  - click [installed: 8.1.3]
  - h11 [installed: 0.14.0]

👉 很明显，fastapi、pandas、uvicorn 是你主动安装的；
其余如 pydantic、numpy、starlette 等都是“传递依赖”。

Tip: 你可以用 pipdeptree --reverse 反查：哪个包依赖了这个库。

🧮 三、清理并锁定顶级依赖

1️⃣ 提取顶级包

pip freeze > all.txt
pipdeptree --warn silence --freeze > tree.txt

打开 tree.txt，手动（或脚本）过滤掉那些被其他包引用的依赖。

最终保留的核心依赖（即​顶级包​）写入新的 requirements.txt：

fastapi==0.95.2
pandas==2.0.1
uvicorn==0.22.0

2️⃣ 验证清理是否正确

先创建个全新虚拟环境：

python -m venv cleanenv
source cleanenv/bin/activate
pip install -r requirements.txt
pipdeptree

如果依赖树和原项目行为一致，你的“核心依赖集”就整理对了。

🧭 四、迁移到 pyproject.toml + uv

安装 uv（强烈推荐）：

curl -LsSf https://astral.sh/uv/install.sh | sh

初始化：

uv init

导入依赖：

uv add --from-requirements requirements.txt

查看结果（生成的 pyproject.toml）：

[project]
name = "movie-analyzer"
version = "0.1.0"
dependencies = [
    "fastapi==0.95.2",
    "pandas==2.0.1",
    "uvicorn==0.22.0",
]
requires-python = ">=3.10"

🧰 五、验证和同步依赖

锁定依赖版本：

uv lock

安装依赖：

uv sync

验证运行：

uv run python main.py

✅ uv 会自动生成 .venv 和 uv.lock，确保依赖一致性。
即使协作者在另一台机器，也能完美复现同样的环境。

🧱 六、用 Docker 打包部署

这是最通用、最干净的构建方式。

FROM python:3.11-slim AS base

# 安装 uv
RUN pip install uv

WORKDIR /app

# 拷贝依赖文件
COPY pyproject.toml uv.lock ./

# 安装依赖
RUN uv sync --frozen --no-cache

# 拷贝源码
COPY src ./src

# 入口命令
CMD ["uv", "run", "fastapi", "run", "--host", "0.0.0.0", "--port", "8000"]

构建镜像：

docker build -t docker-test .

运行容器：

docker run -p 8000:8000 docker-test

🔍 七、附：自动识别“顶级依赖”的脚本

如果你懒得手动筛选，可以用这个 Python 脚本快速过滤：

import subprocess

def get_top_level_packages():
    output = subprocess.check_output(["pipdeptree", "--warn", "silence"]).decode()
    top_level = []
    for line in output.splitlines():
        if not line.startswith(" "):  # 顶级包
            pkg = line.split("==")[0]
            top_level.append(pkg)
    return top_level

if __name__ == "__main__":
    for pkg in get_top_level_packages():
        print(pkg)

执行：

python find_top_deps.py > clean_requirements.txt

它会自动生成仅包含“主依赖”的 requirements.txt。

⚡ 八、实战总结

🧠 九、总结

“requirements.txt 是笔记本，而 pyproject.toml 是配置中心。”

通过 pipdeptree 清理依赖、再用 uv 统一管理，
你能把老项目彻底从“依赖泥潭”里拔出来，
同时获得更快的安装、更好的团队协作与更稳定的部署。

🎬 一、灵感来源：这片我给满分！

如果你经常在豆瓣、IMDb 上冲浪，你会发现有的人动不动就打 10 分，
也有的人连《阿凡达》都只给个 6 分。
那问题来了：

如果我们用 NumPy 来分析一群用户的打分，会发现怎样的规律？

今天，我们就做一个小实验，用 NumPy 还原一个「影评网站」的世界。

🍿 二、项目目标

我们要模拟一份影评数据表，里面包含：

• 100 个用户
• 20 部电影
• 每个用户对每部电影的评分（1～10 分）

目标：用 NumPy 模拟一个 100 个用户、20 部电影的评分矩阵，
并完成平均分、最受欢迎电影、两极分化电影等分析。

🧮 三、用 NumPy 模拟一份评分矩阵

准备工作

pip install numpy matplotlib

别忘了导入：

import numpy as np
import matplotlib.pyplot as plt

import numpy as np
import matplotlib.pyplot as plt

np.random.seed(42)

num_users = 100
num_movies = 20

# 用户打分偏好：有人偏高、有人偏低
user_bias = np.random.normal(0, 1, num_users)

# 电影总体质量
movie_quality = np.random.normal(0, 1, num_movies)

# 评分生成公式 = 用户偏好 + 电影质量 + 一点随机噪声
ratings = np.add.outer(user_bias, movie_quality) + np.random.normal(0, 0.8, (num_users, num_movies))

# 归一化到 1~10 之间
ratings = 1 + 9 * (ratings - ratings.min()) / (ratings.max() - ratings.min())
ratings = np.round(ratings, 1)

[[4.9 4.6 6.3 ... 4.4 7.2 5.4]
 [4.  5.6 3.6 ... 4.4 5.2 6.2]
 [3.8 6.  6.3 ... 5.8 6.6 8.3]
 ...
 [4.8 5.  5.4 ... 5.2 6.3 5.8]
 [4.  5.3 3.9 ... 3.4 5.1 6.4]
 [4.  4.  4.1 ... 3.3 4.2 5.5]]

运行后你会得到一个 100×20 的评分矩阵，
每个数字都像是某个网友的「一己之见」。

四、核心分析：让数据开口说话 🎤

1️⃣ 每部电影的平均分

movie_avg = ratings.mean(axis=0)
print(movie_avg)

# [3.955 4.783 4.802 4.381 4.964 5.408 6.674 5.334 5.324 5.192 3.392 5.06
 5.159 7.327 5.096 5.369 5.079 4.13  6.187 5.861]

这行代码，直接把 100 个用户的打分在“电影维度”上取平均。
不需要任何循环，性能炸裂。

2️⃣ 找出最受欢迎的电影

best_movie_idx = np.argmax(movie_avg)
print(f"最受欢迎电影编号：{best_movie_idx}，平均分：{movie_avg[best_movie_idx]:.2f}")

# 最受欢迎电影编号：13，平均分：7.33

3️⃣ 找出“争议最大”的电影（分数最分散）

movie_std = ratings.std(axis=0)
most_divided_idx = np.argmax(movie_std)
print(f"最两极分化电影编号：{most_divided_idx}，标准差：{movie_std[most_divided_idx]:.2f}")

# 最两极分化电影编号：11，标准差：1.17

4️⃣ 哪个用户最严格？哪个最随便？

user_avg = ratings.mean(axis=1)

strict_user = np.argmin(user_avg)
easy_user = np.argmax(user_avg)

print(f"最严格用户：{strict_user}，平均打分：{user_avg[strict_user]:.2f}")
print(f"最佛系用户：{easy_user}，平均打分：{user_avg[easy_user]:.2f}")

# 最严格用户：74，平均打分：3.01
# 最佛系用户：6，平均打分：6.71

五、可视化评分数据 🎨

1️⃣ 平均分柱状图

plt.figure(figsize=(10,5))
plt.bar(range(num_movies), movie_avg, color='skyblue')
plt.xlabel('电影编号')
plt.ylabel('平均评分')
plt.title('各电影平均评分')
plt.show()

2️⃣ 评分热力图（用户 × 电影）

plt.figure(figsize=(10,6))
plt.imshow(ratings, cmap='coolwarm', aspect='auto')
plt.colorbar(label='评分')
plt.xlabel('电影编号')
plt.ylabel('用户编号')
plt.title('用户评分热力图')
plt.show()

六、性能对比：循环 VS 向量化

import time

start = time.time()
avg_scores = []
for i in range(num_movies):
    avg_scores.append(sum(ratings[:, i]) / num_users)
print("循环耗时：", time.time() - start)

# 循环耗时： 7.82012939453125e-05

start = time.time()
movie_avg = ratings.mean(axis=0)
print("向量化耗时：", time.time() - start)

# 向量化耗时： 1.5020370483398438e-05

💡 实测差距可达 ​30~100 倍​。
循环是跑步，NumPy 是坐高铁。

七、总结：NumPy，从数组到洞察的旅程

🏁 系列目录

1. ✅ NumPy 入门：别再用 for 循环折磨自己了
2. ✅ NumPy 进阶：搞懂广播机制，才能真正玩转数组
3. ✅ NumPy 实战：用数组玩转图像与数据分析

一、前情回顾：数组的“超能力”从哪来？

上一章我们已经知道，NumPy 数组能直接做加减乘除：

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
print(arr * 2)
# [ 2  4  6  8 10]

但你有没有想过，为什么这个操作不报错？

Python 原生列表可做不到这事儿。

二、广播机制的核心原理

简单一句话总结：

广播就是 NumPy 在维度不匹配时自动扩展数组，使它们形状兼容。

来，我们先用一个经典例子开胃 👇

a = np.array([[1, 2, 3],
              [4, 5, 6]])

b = np.array([10, 20, 30])

print(a + b)

输出：

[14 25 36]]

看似理所当然，但实际上这背后 NumPy 悄悄做了扩展 👇

三、广播规则总结

1. 从 尾部维度 开始对齐；
2. 每个维度要么相等，要么其中一个是 1；
3. 不满足规则时，广播失败（直接报错）。

A.shape = (4, 1, 3)
B.shape = (1, 5, 3)
# 结果 -> (4, 5, 3)

A.shape = (3, 2)
B.shape = (2, 3)
# 维度都不匹配，直接报错！

四、copy vs view：NumPy 的内存诡计

你可能遇到过这种情况 👇

arr = np.arange(6).reshape(2, 3)
sub = arr[:, 1:]
sub[0, 0] = 99

print(arr)

输出：

[[ 0 99  2]
 [ 3  4  5]]

为什么我改了 sub，arr 也跟着变了？

🔍 如何判断是否为 view？

sub.base is arr  # True -> 表示 sub 是 arr 的视图

如果想要真正复制一份独立的副本：

sub = arr[:, 1:].copy()

五、性能优化：让你的代码飞起来 🚀

1️⃣ 避免循环

# 慢
for i in range(len(arr)):
    arr[i] *= 2

# 快
arr *= 2

循环会触发 Python 解释器逐元素执行；
而向量化运算在底层 C 实现中批量计算，速度往往快几十倍。

2️⃣ 使用 numexpr 进行表达式优化

import numexpr as ne

a = np.random.rand(10_000_000)
b = np.random.rand(10_000_000)
c = np.random.rand(10_000_000)

# 普通写法
res1 = a * b + c

# numexpr 写法
res2 = ne.evaluate("a * b + c")

numexpr 会自动进行并行和缓存优化，CPU 利用率更高。

3️⃣ 就地操作（In-place）

arr *= 2  # 就地修改，不创建新数组

这种写法可以节省内存分配，尤其在大数组时效果显著。

六、实用技巧锦集 🧰

这些都是项目中常用的“手上活儿”。

七、性能演示：到底快多少？

import time

a = list(range(10_000_000))
start = time.time()
b = [x * 2 for x in a]
print("耗时:", time.time() - start)

# 耗时: 0.13944315910339355

import numpy as np
import time

a = np.arange(10_000_000)
start = time.time()
b = a * 2
print("耗时:", time.time() - start)

# 耗时: 0.05504918098449707

实测下来：NumPy 版本比纯 Python 快 30～100 倍。
一旦数据量大，优势就像核弹一样炸裂 💥。

八、小结

🏁 系列目录

1. ✅ NumPy 入门：别再用 for 循环折磨自己了
2. ✅ NumPy 进阶：搞懂广播机制，才能真正玩转数组
3. 🔜 NumPy 实战：用数组玩转图像与数据分析

一、为什么我们需要 NumPy？

还记得第一次在 Python 里写一堆 for 循环的时候的感受吗？
一行行循环、一层层嵌套，看起来像炼丹。

# 把列表每个元素平方
data = [1, 2, 3, 4, 5]
result = []
for x in data:
    result.append(x ** 2)
print(result)

结果当然是 [1, 4, 9, 16, 25]。
但执行速度慢得让人想弃疗。

二、NumPy 的安装与导入

直接用 pip 安装就行：

pip install numpy

安装好后，你一般都会用一个简称：

import numpy as np

如果你看到别人写 np.array()，别慌，这只是大家约定俗成的简写。

三、创建数组的几种方式

NumPy 的核心是 ndarray（N 维数组）。
它像 Python 的列表，但更高效、更方便。

🧩 1. 从列表创建

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
print(arr)

输出：

[1 2 3 4 5]

注意到没？打印的时候没有逗号——这就是 NumPy 的“数组风格”。

🧮 2. 创建特殊数组

np.zeros((2, 3))   # 2x3 的全零矩阵
np.ones((3, 3))    # 全一矩阵
np.eye(3)          # 单位矩阵
np.arange(0, 10, 2) # 等差数组 [0, 2, 4, 6, 8]
np.linspace(0, 1, 5) # 等分数组 [0., 0.25, 0.5, 0.75, 1.]

这些函数会在之后的项目里频繁使用。

四、数组运算的魔法

还在写循环？别傻了。
NumPy 可以直接对数组进行“广播式运算”：

data = [1, 2, 3, 4, 5]
result = []
for x in data:
    result.append(x * 2)
print(result)

[2, 4, 6, 8, 10]

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
print(arr * 2)

[2, 4, 6, 8, 10]

是不是神清气爽？
向量化运算让你不写循环也能搞定所有数学操作。

五、索引与切片

NumPy 的索引比 Python list 强大得多：

arr = np.array([[1, 2, 3], [4, 5, 6]])

print(arr[0, 1])   # 访问第1行第2列 -> 2
print(arr[:, 1])   # 所有行的第2列 -> [2 5]
print(arr[1, :])   # 第2行 -> [4 5 6]

还可以用布尔索引：

arr[arr > 3]

六、常用数学函数

NumPy 内置了几乎所有数学函数：

np.mean(arr)     # 平均值
np.sum(arr)      # 求和
np.max(arr)      # 最大值
np.min(arr)      # 最小值
np.std(arr)      # 标准差

七、数组形状与维度

arr = np.array([[1,2,3], [4,5,6]])
arr.shape   # (2, 3)
arr.ndim    # 维度数 -> 2
arr.size    # 元素总数 -> 6

改变形状也很方便：

arr.reshape(3, 2)

⚠️ 注意：reshape 不会修改原数组，而是返回一个新数组。

八、小结

🏁 系列目录

1. ✅ NumPy 入门：别再用 for 循环折磨自己了
2. ✅ NumPy 进阶：搞懂广播机制，才能真正玩转数组
3. 🔜 NumPy 实战：用数组玩转图像与数据分析

👉 在线体验 FFmpeg

你是否经常遇到这种情况？

• 想把 .mov 转成 .mp4，结果文件暴涨 2 倍？
• 用某宝压缩视频，画质一塌糊涂？
• 剪视频软件动辄 2G，加载还卡顿？
• 手里有几十个视频要统一转码，不想手动点鼠标？

只需一个命令就能搞定这些事的神奇工具，就是——FFmpeg！

🛠️ 第 1 节：安装 FFmpeg

brew install ffmpeg

brew install ffmpeg --with-fdk-aac --with-libvpx --with-x265

sudo apt update
sudo apt install ffmpeg

sudo dnf install ffmpeg

ffmpeg -version

📐 第 2 节：命令结构快速理解

我们来看一条最基础的 FFmpeg 命令：

ffmpeg -i input.mp4 -vf scale=1280:720 -c:v libx264 output.mp4

ffmpeg -i input.mp4 output.avi

🔁 第 3 节：常用操作速查

🎞️ 格式转换（转码）

ffmpeg -i input.mp4 -vf "fps=10,scale=480:-1:flags=lanczos" -c:v gif output.gif

ffmpeg -i input.mov -c:v libx264 -crf 23 -preset fast output.mp4

✂️ 视频剪辑

ffmpeg -ss 00:00:30 -i input.mp4 -t 10 -c copy output.mp4

ffmpeg -i input.mp4 -vf "crop=640:360" output.mp4

# 1. 创建文件列表.txt
echo "file '1.mp4'" > list.txt
echo "file '2.mp4'" >> list.txt

# 2. 合并
ffmpeg -f concat -safe 0 -i list.txt -c copy output.mp4

🔊 音视频操作

ffmpeg -i input.mp4 -q:a 0 -map a output.mp3

ffmpeg -i video.mp4 -i audio.mp3 -c:v copy -map 0:v:0 -map 1:a:0 -shortest output.mp4

ffmpeg -i input.mp4 -an output.mp4

📏 视频参数调整

ffmpeg -i input.mp4 -vf "scale=640:-1" output.mp4

ffmpeg -i input.mp4 -r 24 output.mp4

ffmpeg -i input.mp4 -b:v 1000k -b:a 128k output.mp4

🖼 添加水印和字幕

ffmpeg -i input.mp4 -i logo.png -filter_complex "overlay=10:10" output.mp4

ffmpeg -i input.mp4 -vf subtitles=subtitle.srt output.mp4

🧙 第 4 节：FFmpeg 滤镜魔法

📋 滤镜的基本格式

ffmpeg -i input.mp4 -vf "滤镜1=参数,滤镜2=参数" output.mp4

• -vf：指定视频滤镜（Video Filter）
• , 分隔多个滤镜，按顺序处理（滤镜链）
• filter_complex：用于更复杂的滤镜图（后面讲）

🎯 常见滤镜实战

我们一个个来，不多讲，直接用。

① scale：视频缩放

ffmpeg -i input.mp4 -vf "scale=720:-1" output.mp4

• 把视频宽度缩放为 720，高度按比例自动调整

② crop：裁剪画面

ffmpeg -i input.mp4 -vf "crop=640:360:100:50" output.mp4

• crop=w:h:x:y

  • 宽 640、高 360
  • 从位置 (100, 50) 开始裁剪

③ fade：淡入/淡出特效
淡入前 30 帧：

ffmpeg -i input.mp4 -vf "fade=t=in:st=0:d=1" output.mp4

淡出最后 1 秒：

ffmpeg -i input.mp4 -vf "fade=t=out:st=9:d=1" output.mp4

• t=in/out：类型
• st：开始时间（秒）
• d：持续时间（秒）

④ hue：调色滤镜

调节色相、饱和度等：

ffmpeg -i input.mp4 -vf "hue=s=0" output.mp4

• s=0：去饱和度，效果类似黑白

更多玩法：

ffmpeg -i input.mp4 -vf "hue=h=60:s=2" output.mp4

⑤ drawtext：添加文字（内置字幕）

ffmpeg -i input.mp4 -vf "drawtext=text='你好FFmpeg':fontcolor=white:fontsize=36:x=10:y=20" output.mp4

需安装字体支持库，如 Linux 下需 libfreetype

• 可用参数：
• x/y：坐标
• fontsize：字体大小
• fontfile：指定字体路径
• enable='between(t,2,5)'：只显示第 2\~5 秒

🔗 滤镜链 vs 滤镜图

-vf "scale=640:-1,eq=contrast=1.5"

-filter_complex "[0:v]scale=640:360,fade=t=in:st=0:d=2[out]" -map "[out]"

🧪 第 5 节：编码器与压缩优化

🎞️ 视频编码器选项速览

🎛️ 常用压缩参数组合

我们用 H.264（libx264）为例，来压一个高清 MP4。

ffmpeg -i input.mp4 -c:v libx264 -crf 23 -preset medium -c:a aac -b:a 128k output.mp4

参数解析：

• -c:v libx264：选择 H.264 编码器
• -crf 23：质量控制（越小越清晰，范围 051，推荐 1828）
• -preset medium：编码速度（推荐值：ultrafast → slow）
• -c:a aac -b:a 128k：音频编码器与码率

📊 CRF 不同数值的效果对比

⚡ preset 的效果对比

-preset ultrafast / superfast / veryfast / faster / fast / medium / slow / slower / veryslow

• 越慢越小，但越耗 CPU
• 推荐一般用 medium，极限压缩才用 slower

💡 多线程加速压缩（高级用法）

FFmpeg 会自动启用多线程，但你可以手动指定：

ffmpeg -i input.mp4 -c:v libx264 -crf 23 -preset fast -threads 4 output.mp4

• -threads 4：限制为 4 核压制（可省略）

🎯 libx265 的压缩优势

对同样一段 1080p 视频，用 H.264 和 H.265 压缩对比如下：

ffmpeg -i input.mp4 -c:v libx265 -crf 28 -preset slow -c:a aac -b:a 128k output.mp4

🧨 NVIDIA + hevc_nvenc 兼容性坑

在使用 hevc_nvenc 编码器时，第一帧（尤其是 seek 后重新编码的第一帧）如果不是关键帧或初始化参数未设置完整，会出现以下情况：

• 首帧画面是绿屏或马赛克
• ffmpeg 没有报错，但第一秒异常
• 多发生在精准 seek (-ss + -accurate_seek) + HEVC 编码器时

这是 NVIDIA 硬件编码器的一个“兼容性坑”。

📦 第 6 节：批处理与自动化

💻 批量转码当前目录下所有 .mp4 文件

macOS / Linux 示例（bash）

for f in *.mp4; do
  ffmpeg -i "$f" -c:v libx264 -crf 24 -preset medium -c:a aac -b:a 128k "out_$f"
done

Windows 示例（.bat 文件）

@echo off
for %%f in (*.mp4) do (
  ffmpeg -i "%%f" -c:v libx264 -crf 24 -preset medium -c:a aac -b:a 128k "out_%%f"
)

保存为 batch_compress.bat，放在视频目录下双击运行即可。

🧪 与 Python/Powershell 联动处理

Python 示例（调用 FFmpeg 命令）

import subprocess
from pathlib import Path

for f in Path(".").glob("*.mp4"):
    output = f"compressed_{f.name}"
    subprocess.run([
        "ffmpeg", "-i", str(f),
        "-c:v", "libx264", "-crf", "24", "-preset", "fast",
        "-c:a", "aac", "-b:a", "128k", output
    ])

可以将 FFmpeg 与 Flask、Gradio 等结合做成本地 Web 转码器。

🗃️ 文件名优化/自动重命名

ffmpeg -i input.mp4 -c:v libx264 -crf 24 output_$(date +%Y%m%d_%H%M).mp4

• 通过 shell 插入时间戳，避免文件覆盖

🔚 结语：你的 FFmpeg 超能力已解锁！

你现在可以：

• 🚀 批量压缩 20G 视频资料包
• 🎬 制作带字幕的教学视频
• 🖼 把视频画面变成 GIF + 淡入淡出 + 水印
• 🎞 一行命令生成短视频片头片尾

🎁 推荐工具/文档/资源合集

FFmpeg 官网

FFmpeg Filters 文档

FFmpeg Cheat Sheet

“你可能还在 pip install，隔壁已经跑完测试上线了。”
—— 一个用上 uv 的开发者

如果你嫌 pip 慢，poetry 重，pipenv 老，那你可能正需要一个又快又干净的替代品：uv。

🧠 为什么选择 uv？

我们来点直白的对比：

🛠️ 安装 uv

你需要一台电脑，一条命令，以及 10 秒钟的等待：

curl -Ls https://astral.sh/uv/install.sh | sh

或者你偏爱 Homebrew（macOS 用户）：

brew install astral-sh/tap/uv

装完后你就拥有了一个拥有超能力的 pip 替代品。

🧪 快速上手 uv

你已经习惯了 pip？放心，uv 的命令几乎一样，直接替换掉即可。

创建虚拟环境

uv venv

它会在当前目录创建一个 .venv 文件夹。完美兼容 python -m venv。

激活环境：

# macOS / Linux
source .venv/bin/activate

# Windows（你知道的）
.venv\Scripts\activate

安装依赖（咻的一下）

uv pip install requests

会自动走缓存，比 pip 多个涡轮加速器，支持 requirements.txt：

uv pip install -r requirements.txt

你甚至可以把 uv pip 当成 drop-in 替代：

alias pip="uv pip"

从此告别 pip install 漫长等待。

生成 requirements.txt？

虽然 uv 没有官方的 freeze 命令，但你可以照常操作：

uv pip freeze > requirements.txt

和 pip 完全兼容，不会让你懵圈。

更新依赖

uv pip install --upgrade somepackage

一样的语法，不一样的速度体验。

🧹 清理缓存

uv 会将下载的 wheel 缓存在本地，速度飞快，但你可能想定期清理下：

uv cache clean

或者查看缓存路径：

uv cache dir

🎁 Bonus：兼容 poetry！

你有项目用 poetry 管理？

uv venv
uv pip install -r requirements.txt

甚至可以配合 poetry export 使用：

poetry export -f requirements.txt --without-hashes > requirements.txt
uv pip install -r requirements.txt

让 poetry 当个锁定工具，安装交给 uv 这位“闪电侠”。

❓ 小贴士（FAQ）

📦 总结

uv 是那种一用就回不去的工具：

✅ pip 的速度不够快？用 uv。
✅ 想要 poetry 的干净，但不要它的慢？用 uv。
✅ 喜欢新鲜事物，但又讨厌配置地狱？还是 uv。

🐍 Python 太优雅，不该被安装依赖拖慢节奏。用 uv，让开发像飙车一样爽！

🔗 相关链接

• uv GitHub 仓库
• uv 官方文档

临时使用

可在使用 pip 的时候在后面加上 -i 参数，指定 pip 源

pip install scrapy -i https://pypi.tuna.tsinghua.edu.cn/simple

永久修改

Linux

使用文本编辑工具打开 ~/.pip/pip.conf 文件 (如果没有当前文件夹或文件，请创建后操作) ，修改文件内容如下：

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

Windows

WIN+R 打开用户目录 %HOMEPATH%，在此目录下创建 pip 文件夹，在 pip 目录下创建 pip.ini 文件, 内容如下:

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

pip 国内镜像

Anaconda

清华源

Miniconda

清华源

配置

查看当前源

conda config --show channels

替换源

语法如下

conda config --add channels https://xxxxxxxxxxxxxxx

针对清华源和腾讯源替换的方法

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro/

conda config --add channels https://mirrors.cloud.tencent.com/anaconda/pkgs/free/
conda config --add channels https://mirrors.cloud.tencent.com/anaconda/pkgs/main/
conda config --add channels https://mirrors.cloud.tencent.com/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.cloud.tencent.com/anaconda/cloud/pytorch/
conda config --add channels https://mirrors.cloud.tencent.com/anaconda/pkgs/pro/

移除源

语法如下

conda config --remove channels https://xxxxxxxxxxxxxxx

针对清华源和腾讯源移除的方法

conda config --remove channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --remove channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --remove channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --remove channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --remove channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro/

conda config --remove channels https://mirrors.cloud.tencent.com/anaconda/pkgs/free/
conda config --remove channels https://mirrors.cloud.tencent.com/anaconda/pkgs/main/
conda config --remove channels https://mirrors.cloud.tencent.com/anaconda/cloud/conda-forge/
conda config --remove channels https://mirrors.cloud.tencent.com/anaconda/cloud/pytorch/
conda config --remove channels https://mirrors.cloud.tencent.com/anaconda/pkgs/pro/

使用配置文件修改

使用文档编辑工具打开 ~/.condarc 文件，即可手动修改配置信息。

channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro/
  - defaults
show_channel_urls: true

2023年，以时间线缓缓展开。

登门

我和妻子于 2016 年相识并交往，今年是我们在一起的第七年。按照常理，我早就该登门拜访她的家人了，但由于家里变故和各种风俗礼教的原因，一直推迟。今年春节，我终于第一次登门拜访了丈人家。

作为新女婿，我的内心其实非常忐忑。我向周围许多朋友请教，学习他们的经验。空闲时就琢磨准备什么礼物，咨询各种风俗，生怕遗漏了什么。回想起来，其实都是自己内心的不确定导致的紧张。

年前收拾好东西送妻子回家，路上并没有什么感觉，但是快到目的地的时候就开始心跳加速了。但是岳父岳母都挺好的，逐渐熟络起来后，我的顾虑也消除了。后面聊聊家长里短，一切都平静了，很完美的第一次表现。

出差

二月，作为我第一次出远差的起点，值得特别记录。团队在成都组织了一次聚餐，这也是我第一次去四川。在那里，我结识了几位远程办公的同事，并品尝了正宗的四川火锅。麻辣过瘾的滋味让我难忘，但折耳根的味道，我这辈子恐怕都无法接受了。

医院

去年，妻子被诊断出了个妇科疾病，辗转几家医院治疗，但效果不佳。她因此承受了许多不必要的痛苦。最终，我们商量后决定去医院进行手术。评估结果显示，她的身体状况良好，可以尽快安排手术。这是她第一次手术，手术当日已经推进手术室了，但因过于紧张导致体温升高，医院担心新冠风险而取消了手术。这个意外却带来了意想不到的收获，国内顶尖的协和医生团队在周六来指导，并将她的手术作为教学示范进行。

陪同妻子送到手术室，一路上不断给她加油打气。但当手术室门关上的那一瞬间，我的心里却异常紧张。或许是因为担心她独自面对手术，或许是担心手术结果。两个半小时的等待后，医生告诉我手术非常顺利，所有病变组织都已摘除干净，麻药醒来后她就能出来。那一刻，我的心里终于安定了很多。

现在已经彻底康复了，成天哐哐炫零食

出游

我俩的第一次陕南之旅开启了。体会了完全不同的人文特色和美食文化。

石泉古城，被誉为‘丝路之源’，坐落在汉江边上的一座小城。依山傍水，风景秀丽。据说 1500 多年间名字没有改变，充满了历史感。这里不仅能体验到川渝风格，方言也带有浓厚的川味，但却隶属于陕西管辖。山水资源丰富，‘靠山吃山，靠水吃水’在这里得到了完美体现。渔获丰足，使得烤鱼和石锅鱼格外美味。

在这里也参加了同事的婚礼，帮忙布置婚房和收拾物品。祝愿他们和美长久。

说安康，不得不提“蒸面”，第一次吃还是大学室友带来的。虽然它与凉皮有些相似，但也拥有自己独特的风味。再次品尝了推荐的店家并且还去尝了另外的美味羊肉汤。晚间在汉江边吹着江风，品尝美食，喝着小酒，真是无与伦比的惬意。汉江轮渡也是另一番不错的体验。

柞水溶洞，天然地貌也不容错过啦。

订婚

12月2号，我们订婚啦！！！

这是今年最大的一件事，长达七年的恋爱长跑终于迎来了曙光，离我们梦想中的生活越来越近了。

自从登门拜访后，双方家里人也来来回回地商讨了一番，最终确定了我们的婚约。敲定日期后，我们开始着手准备收拾房子。一步步完成打扫卫生、装修和家具布置等工作。

最后在双方亲人的见证下，我们完成了订婚。收到了大家的祝福。这一刻，真的非常美好和珍贵。

婚期

作为23年尾的重要时刻，大家都在说24年无春是寡妇年。本着不迷信但是迎合家里人的想法，同意让演算结婚日期。

给出来了两个时间，一个是腊月二十六号，临近过年；另一个是 2024 年五四青年节。

后面由于时间太紧迫，而且冬季太冷，我们最终选择了五四青年节作为婚期。不过已经开始着手准备婚礼的各项用品了。

最后

写到最后，我满怀感激和幸福。过去七年的恋爱长跑，终于在这一刻迎来了新的开始。回顾这段旅程，从初识到相知，再到相守，每一步都充满了珍贵的回忆和成长。订婚不仅是我们感情的升华，也是双方家庭的融合。

在未来的日子里，我们将继续携手前行，共同迎接人生中的每一个挑战与欢乐。婚礼的准备虽然繁琐，但每一份细节都体现了我们对未来的期待与承诺。感谢亲友们的祝福与支持，你们的陪伴让这一切变得更加美好。

我期待着和爱人一起步入婚姻的殿堂，开启我们人生的新篇章。在这条充满爱的旅程中，我相信，幸福与美好将伴随我们左右。

猫咪奉上

2022年，一个充满憧憬的年份。

早在高中时期，得知22年要在北京开冬奥会。那会就下定决心，不管未来如何，都要去北京一趟亲眼看看。现在回想起来那是多么意气风发的年龄。25岁的我现在来告诉你：没去了！生活和疫情已经成了最近三年的基本基调，以至于没有多余的心态出去看看。（主要是因为太穷了）

父亲还在世的最后一次过年聚会时，他说想抓紧给我把婚事一办。时间想定在2022年2月2日。已经一年多了，不知道您可安好？

来自2024年的回复。我俩在2024年2月2日领证结婚了，刚好是北方小年。

贰

今年为家里雪子找来了一个新伙伴。当当当当~ 汤圆（黑芝麻馅的）

汤圆的到来，无疑是给雪子找了一个移动逗猫器。但是小家伙是一个戏精，老是来粘我，弄的雪子每次都是醋坛子打翻了。两个小朋友也是让人又笑又乐。

小汤圆是个调皮鬼，家里能钻的地方基本上都被她探索了一遍。最有趣的是她和雪子联合作案，她们知道放零食的是哪一个柜子。雪子先用爪子把柜门撬开一个缝隙，小汤圆就用头慢慢把柜门撑开，慢慢就挤进去了。颇为有趣的是，小汤圆进到柜子后会把零食拿出来和她姐姐一块吃，从来没吃过独食。所以最后的结果就是，我把柜门封死了！！！

叁

五年，你知道这五年我是怎么过的吗？（图先欠着）

大学毕业后，我就想给自己配置一台台式机，可是种种原因致使我一年一年的都没有把这个事情办了。说来也巧合，买车送电脑可能也是第一回遇到。

去年年末提车，提车日期刚好卡在了政府对新能源汽车的补贴期间。11月25日开始，我车是11月26日提的，可真是吉星高照。顺利拿到六千块钱的补贴款，钱是早上到的，电脑是第二天开始组装的。

配件陆陆续续3天之内到位，也顺利组装出了我特别满意的一套配置。

得偿所愿的感觉真好，感谢我的 宋大米，给我送来的惊喜。

肆

今年5月，老妈撺掇着开起了自己的门店，五一假期过去，搬房子、收拾整理、帮忙出谋划策。在摆脱诸多琐事后，小店也是顺顺利利的开始了运营。

瘦身减肥您找我哈~（加盟也可以呦）

经过了半年的积累，顾客也越来越多了，目前店面也在稳步的提升中。一切的一切都要归功于老妈的辛苦付出和亲姨的大力支持，向两位奋斗女性表示由衷的致意。

新的一年，想着和她们一块去把店面的客流量搞起来，多进一些新客。

伍

工作上要写的话不多，基本上都是日复一日的流程。

今年的一整年的工作基本上都围绕着 Python，目前来讲已经全面拥抱 Python了。

值得庆幸的是通过了 TL答辩，目前在协助交付经理管理20人的小团队。

陆

三年疫情，终于结束了。

我 阳康了。

疫情的封锁导致哪都去不了，老想苟着。望后面的形势越来越好，这样实体店的生意就又有生机了，不仅是为了我们的小店。

写到最后，太阳照在手上，怀中猫儿酣睡，哪有比这更安静的时刻。

让我们抛开思维，远离喧嚣。在这温暖的阳光里，独自享受大自然给予的宁静。

2022年，终！