| 日期 | 版本号 | 新特性 | BUG修复 |
|---|---|---|---|
| 20250602 | 2.19.0 | 1.针对现代浏览器，通过跳过ES模块提升页面加载速度； 2.通过延缓非重要的 JS 提升页面加载速度； 3.完善 ui.aggrid 完全配置（getters、setters、from_pandas、from_polars）;4.如果 ui.download.from_url 是基于绝对路径 URL（可能引起问题） 被调用，则会发出警告提示 |
1.允许覆盖 PyWebview 的 storage_path 和 private_mode；2.修复 ui.markdown 的语法突出显示，包括 codehilite.css 更稳定 |
在使用 uv add 命令安装第三方包时，有两种方法可以设置国内加速镜像：
使用 --index 或者 --default-index 参数指定镜像地址，例如：
简单说明下两者的区别：
| 参数 | 环境变量 | 描述 |
|---|---|---|
--index |
UV_INDEX |
可以设置多个索引源，多个索引源之间以空格分开，适用于同时使用多个索引源 |
--default-index |
UV_DEFAULT_INDEX |
只设置一个索引源，用于替换默认的 PyPI 源 |
一般情况下，我们只需配置 UV_DEFAULT_INDEX 即可，常用的镜像源有：
可以在 .bashrc 文件中添加环境变量 UV_INDEX 和 UV_DEFAULT_INDEX，然后执行 source .bashrc 使其生效。
UV 提供了通过 GitHub Releases 下载 Python 的功能，可以通过以下 --mirror 和 --pypy-mirror 两个参数和环境变量来设置镜像：
--mirror: 用于设置 CPython 的安装包镜像，可以通过设置环境变量 UV_PYTHON_INSTALL_MIRROR 来指定下载镜像。--pypy-mirror: 用于设置 PyPy 的安装包镜像，可以通过设置环境变量 UV_PYPY_INSTALL_MIRROR 来指定下载镜像。| 维度 | CPython | PyPy |
|---|---|---|
| 实现语言 | C 语言编写，官方标准解释器 | RPython 编写，基于 JIT 编译技术 |
| 性能表现 | 解释执行字节码，性能较低 | JIT 编译热点代码为机器码，性能提升 3-4 倍 |
| 内存管理 | 引用计数 + GIL，存在内存碎片问题 | 增量垃圾回收 + 分代回收，无 GIL 限制 |
| 并发支持 | 单线程并发（GIL 限制多线程性能） | 支持微线程（Stackless 模型），适合高并发场景 |
| 生态系统兼容性 | 完整支持所有 Python 库 | 兼容大部分纯 Python 库，对 C 扩展库支持有限 |
| 典型应用场景 | Web 服务、自动化脚本、科学计算 | 数值计算、长时间运行的服务、高并发 API 服务器 |
| 启动时间 | 快速启动 | 需 JIT 预热期 |
目前国内还没有一个完全同步的下载镜像，所以使用 uv python install 下载非常慢，南京大学的镜像站提供了 UV 的最新下载：https://mirror.nju.edu.cn/github-release/indygreg/python-build-standalone
uv python install 命令下载安装 Python 时的镜像。uv add 命令安装第三方包时的镜像。建议：如果你的网络环境可以正常访问 GitHub，则无需设置镜像。如果访问不了，可以设置南京大学的下载镜像，并配置 UV_DEFAULT_INDEX 为阿里源或清华源来加速 uv add（等同于 pip install）的安装过程。
通过合理设置镜像源，可以显著提升在国内使用 UV 进行软件包管理和 Python 安装的效率。
| 名称 | 描述 | 备注 |
|---|---|---|
| SlideEgg | 国外的一个 PPT 站点 | 提供免费和付费模板 |
| PresentationGo | 国外的一个 PPT 站点 | 提供免费和付费模板 |
| SlideShare | 国外的一个 PPT 站点 | 30天内可免费下载 |
用户研究在驱动产品创新、提升用户体验和实现商业成功方面扮演着日益关键的角色。然而，长期以来，很多企业的用研团队都需要持续自证价值，这件事轻则影响能获得的调研资金预算，重则关乎整个用研团队的生死存亡。
本文旨在深入探讨衡量用户研究ROI的重要性、面临的挑战、核心框架与模型、具体计算方法、实施策略以及未来趋势。
在机器学习中，特征选择是提高模型性能、减少计算复杂度和避免过拟合的关键步骤。而选择合适的特征选择方法，可以大大提升模型的准确性和训练效率。常见的特征选择方法有很多，这里介绍两种方法 前向特征选择 和 递归特征消除（RFE）。
前向特征选择和RFE的主要区别就在于它们如何进行特征排名和模型训练：
实际上，前向特征选择和递归特征消除（RFE） 都与 特征排名 密切相关。无论是通过逐步添加特征，还是通过递归删除不重要的特征，它们的选择过程都依赖于特征的重要性排序。因此，特征的排名直接决定了哪些特征被选中，哪些特征被剔除。如果特征排名发生变化，最终的特征选择结果也会发生显著变化。特征排名的不同将会直接影响模型中保留的特征，进而影响模型的表现。
为了深入理解这种影响，本文将利用 XGBoost模型探讨不同评估指标下特征排名对特征筛选的影响。
逻辑回归（Logistic Regression）和 XGBoost（eXtreme Gradient Boosting）是分类任务中广泛使用的两种机器学习模型，它们代表了机器学习中两种典型的思想：
我们将从模型结构、数学推导、损失函数、优化方法、泛化能力等等介绍。
参考文档：
注意
建议安装 confluent-kafka 1.9.2 版本，其他版本可能回出现公网发送消息报 SSL_HANDSHAKE 错误。此外，Centos 服务安装 confluent-kafka 更高版本时编译报错，无法正确安装。
如果使用 pip 无法正确安装的情况下，可以试试 conda 安装，且该方式支持更高版本。
在信贷领域的因果推断研究中，传统方法多聚焦于二元处理变量（如是否发放营销优惠券）的因果效应估计。然而，当涉及贷款额度、利率等连续型处理变量时，传统二元处理变量的因果推断框架不再适用，需采用适用于连续处理变量的分析方法。
本文聚焦于贷款额度这一连续型处理变量的因果推断问题，采用公开的lendingclub的贷款数据集，结合Imbens《 The propensity score with continuous treatments》这篇文章中的广义倾向得分方法，对连续性处理变量的因果效应进行分析。