uv 是一個以 Rust 撰寫的 Python 套件管理工具，安裝套件的速度比 pip 還要快 10-100 倍，有部分開源專案的官網文件的安裝步驟也已經預設使用 uv 取代 pip（如下圖的 Prefect），如果是想要在 Docker 中採用 uv 的話可以參考一下我之前寫的 uv + Docker 的教學 文章 。
近期因為 uv 持續推出很多好用的功能，到現在我所有的專案都已經替換成 uv 來開發，不再使用原本的 pip 了，所以這次想要來整理並分享我自己在開發 Python 專案時使用 uv 的流程。
# For MacOS
brew install uv
# For Windows
powershell -ExecutionPolicy ByPass -c "irm <https://astral.sh/uv/install.ps1> | iex"
其他詳細安裝方式可參考：https://docs.astral.sh/uv/getting-started/installation/#installing-uv
閱讀更多»
在 Build Docker Image 的時候，通常最花時間的都是安裝套件，為了突破這個效能瓶頸，這次決定嘗試使用 uv 來取代 pip 進行 Python 套件的安裝。
uv 是一個以 Rust 撰寫的 Python 套件管理工具，號稱比 pip 還要快 10-100 倍，國外也有相關實測，像是 Streamlit 在 2024 年 7 月就有發 blog 表示他們用 uv 取代 pip 後速度提升了 55%（如圖 1）。
（2025/05更新）
近期發現開始有開源專案的官網文件也已經預設是使用 uv 來安裝，例如 Prefect（如圖 2）。
之前我也有在本機實測過，確實有非常顯著地提升了效能，而這次我打算將 uv 運用在 Docker 上，讓 Docker image 的建立時間能大幅縮減。
近期因為遇到在 GCP Compute Engine 跑 R 程式碼發生 OOM (Out of Memory）的記憶體問題，所以研究了很多關於 Python 和 R 之間的比較，看到不少文章都說 R 在效能、記憶體分配和垃圾處理（Garbage collect）上都是輸給 Python 的，也看到很多人不推薦使用 R 做大型數據處理。
秉持著研究精神，還是自己測一次最有感，所以這篇文章就是我自己實測的 Python VS. R 的記憶體 + 執行時間的大對決！
這次直接由 ChatGPT-4o 幫我生成兩種不同程式語言的程式碼，我只有附上自己的註解，以及手動更改建立的數據大小而已（下面圖片中的程式碼範例皆為產出一個 70000 x 70000 的表）
閱讀更多»
在資料工程師的工作中，常會使用雲端 Google Cloud Platform (GCP) 的 Google Cloud Storage (GCS) 作為 Data Lake 儲存一些非結構化資料，而操作 GCS 的指令我都是用 gsutil 來進行，但近期發現有另一個指令是 gcloud storage ，所以這篇文章記錄我針對這兩種指令實測後發現的差異，以及官方文件的建議。
gsutil 指令？gsutil 是一個 Python application，主要用來讓使用者可以透過 Command Line 操作 Cloud Storage，操作包含：
gcloud 指令？gcloud 是 GCP 主要的 CLI 工具，用途更廣不限於 GCS，操作包含：
先自我介紹一下，作者 Jumping 我本人 2019 年以前從來沒碰過程式，透過自學資料科學相關課程，目前是有三年資料領域工作經驗的資料工程師 Data engineer，這篇文章記錄了我從自學到轉職過程的心路歷程，以及給同樣想要轉職的朋友的建議。
或許我跟大多數人一樣，在上大學前也完全不知道自己要念什麼科系，當時只想說「總之就是三類組，然後分數到哪就去哪」， 後來大學念了食品科學系，雖然後來也是有找到一點熱情，但畢業後仍然不知道自己要什麼，看到身邊不少朋友選擇繼續念碩士，我也憑著那一點熱情考了食品科學相關的研究所，所以在我的六年學生時期是完全沒有碰過程式，大部分都是生物和化學相關的課程和實驗。
當完兵出了社會，第一份工作理所當然的選擇進了食品業做研發，當時還常常被面試官問「為什麼你要做食品研發？」，老實講，我還真的回答不出來。
這種茫然困惑、不知道自己想要做什麼的狀態，一直持續到我出社會幾個月後，接觸程式語言時才開始產生變化。
拿到工作的薪水後，我開始想該如何做投資上的運用，這時候我開始研究公司的財報、技術分析線圖等散戶會做的一些事，在查資料時發現很多人會使用 Python 自己寫爬蟲和畫線圖，於是我開始一點一點地學習怎麼樣寫 Python 語法，後來遇到有些股票網站資訊和圖表是需要付費訂閱才能觀看時，也試著自己按照那些付費圖表的邏輯去編寫程式，並嘗試視覺化出我心中所想的圖表。
（至於我自學的方式和課程，後續的文章會再做說明）
在這樣反覆學習和實作的過程中，漸漸發現自己對於寫程式收集及處理資料很感興趣，也很享受把想法和創意透過程式作品實踐出來的過程和成就感，於是就開始思考自己是否有機會轉職做一位工程師，而當時會想轉職很大的原因是：
但同時也要思考許多實際上的困難
面對這些困難，我自己仍然做了轉職的決定，是因為有了心態上的調適，像是技術不足的部分我可以靠上課學習來補足，也選擇了在繼續工作的狀態下持續自學，讓我不用擔心經濟上的問題。
另外一個我覺得很重要的心態突破，就是評估了利弊之後，好好想一下「對自己來說，最糟的狀況是什麼？」，我自己的答案是「大不了我就是轉職失敗，然後回食品業工作」，所以其實現在轉職並不會有多糟的後果，也是因為這樣想，我才毅然決然繼續往轉職資料工作者的路前進。
當我過了兩三年，回顧我的轉職過程時，我覺得有幾點人生體悟，可以給想要轉職的朋友一些參考：
凡事都需要一個清楚明確的目標，才能讓我們走在正確的路上！
不論是在什麼領域，學習都不能只有輸入，最重要的還是輸出，學了之後一定要自己動手做，像是當時我自己的 Side Project 就幫助我找到工作。
其實不會有所謂「真正準備好」的時候，何時開始都不嫌晚，最適合開始進行的時機就是「現在」，不要因為「沉沒成本」而委屈求全。我到現在還是很感謝當時的我所做的選擇，因為沒有當初的「捨」，就沒有現在的「得」！
把自己目前想得到的恐懼和困難都寫下來，如果自己還在為了轉職而卻步，想想這些困難是「知識技術」上的挑戰？還是其實是「勇氣」的挑戰呢？列出了所有的恐懼並面對它們，說不定會發現其實自己離目標沒有想像中的遠喔！
如果你正在為了要不要轉職而猶豫不決，希望我的這些經驗能幫助到你！ 也歡迎把文章分享給正在轉職的朋友們！
JumpingCode 資料科學手記 