900字范文 > mac php教程 PHP主要功能 – PHP基础 – 前端 phpstorm 修改svn地址

mac php教程 PHP主要功能 – PHP基础 – 前端 phpstorm 修改svn地址

时间：2023-09-02 23:49:15

PHP 脚本主要用于以下三个领域：

（1）服务端脚本。这是 PHP 最传统，也是最主要的目标领域。开展这项工作需要具备以下三点：PHP 解析器（CGI 或者服务器模块）、web 服务器和 web 浏览器。需要在运行 web 服务器时，安装并配置 PHP，然后，可以用 web 浏览器来访问 PHP 程序的输出，即浏览服务端的 PHP 页面。如果只是实验 PHP 编程，所有的这些都可以运行在自己家里的电脑中。请查阅安装一章以获取更多信息。

（2）命令行脚本。可以编写一段 PHP 脚本，并且不需要任何服务器或者浏览器来运行它。通过这种方式，仅仅只需要 PHP 解析器来执行。这种用法对于依赖 cron（Unix 或者 Linux 环境）或者 Task Scheduler（Windows 环境）的日常运行的脚本来说是理想的选择。这些脚本也可以用来处理简单的文本。请参阅 PHP 的命令行模式以获取更多信息。

编写桌面应用程序。对于有着图形界面的桌面应用程序来说，PHP 或许不是一种最好的语言，但是如果用户非常精通 PHP，并且希望在客户端应用程序中使用 PHP 的一些高级特性，可以利用 PHP-GTK 来编写这些程序。用这种方法，还可以编写跨平台的应用程序。PHP-GTK 是 PHP 的一个扩展，在通常发布的 PHP 包中并不包含它。

（3）PHP 能够用在所有的主流操作系统上，包括 Linux、Unix 的各种变种（包括 HP-UX、Solaris 和 OpenBSD）、microsoft Windows、Mac OS X、RISC OS 等。今天，PHP已经支持了大多数的 web 服务器，包括 Apache、Microsoft Internet Information Server（IIS）、Personal web Server（PWS）、Netscape 以及 iPlant server、Oreilly Website Pro Server、Caudium、Xitami、OmniHTTPd 等。对于大多数的服务器，PHP 提供了一个模块；还有一些 PHP 支持 CGI 标准，使得 PHP 能够作为 CGI 处理器来工作。

如何学习数据分析？

想要成为数据分析师，给大家分享一份初级的入门指南！

它包含Excel、数据可视化、数据分析思维、数据库、统计学、业务、以及Python。

这七part 的内容刚好涵盖了一位数据分析师需要掌握的基础体系，也是一位新人从零迈入数据大门的知识手册。

第一part：Excel

每一位数据分析师都脱离不开Excel。

它是日常工作中最常用的工具，如果不考虑性能和数据量，它可以应付绝大部分分析工作。虽然现在机器学习满地走，Excel依旧是无可争议的第一工具。

Excel的学习分为两个部分。

掌握各类功能强大的函数，函数是一种负责输入和输出的神秘盒子。把各类数据输入，经过计算和转换输出大家想要的结果。

在SQL，Python以及R中，函数依旧是主角。掌握Excel的函数有助于后续的学习，因为你几乎在编程中能找到名字一样或者相近的函数。

在「数据分析：常见的Excel函数全部涵盖在这里了」中，介绍了常用的Excel函数。

清洗处理类：trim、concatenate、replace、substitute、left/right/mid、len/lenb、find、search、text

关联匹配类：lookup、vlookup、index、match、row、column、offset

逻辑运算类：if、and、or、is系列

计算统计类：sum/sumif/sumifs、sumproduct、count/countif/countifs、max、min、rank、rand/randbetween、averagea、quartile、stdev、substotal、int/round

时间序列类：year、month、weekday、weeknum、day、date、now、today、datedif

搜索能力是掌握Excel的不二窍门，工作中的任何问题都是可以找到答案。

第二部分是Excel中的工具。

在「数据分析：Excel技巧大揭秘」教程，介绍了Excel最具性价比的几个技巧。包括数据透视表、格式转换、数组、条件格式、自定义下拉菜单等。正是这些工具，才让Excel在分析领域经久不衰。

在大数据量的处理上，微软提供了Power系列，它和Excel嵌套，能应付百万级别的数据处理，弥补了Excel的不足。

Excel需要反复练习，实战教程「数据分析：手把手教你Excel实战」，它通过网络上抓取的数据分析师薪资数据作为练习，总结各类函数的使用。

除了上述要点，下面是附加的知识点，铺平数据分析师以后的道路。

了解单元格格式，数据分析师会和各种数据类型打交道，包括各类timestamp，date，string，int，bigint，char，factor，float等。

了解数组，以及相关应用（excel的数组挺难用），Python和R也会涉及到 list，是核心概念之一。

了解函数，深入理解各种参数的作用。它会在学习Python中帮助到你。

了解中文编码，UTF8、GBK、ASCII，这是数据分析师的坑点之一。

第二part：数据可视化

数据分析界有一句经典名言，字不如表，表不如图。

数据可视化是分析的常用技巧之一，不少数据分析师的工作就是通过图表观察和监控数据。首先了解常用的图表：

Excel的图表可以100%绘制上面的图形，但这只是基础。

在「数据可视化：你想知道的经典图表全在这」中介绍了各类数据分析的经典图表，除了趋势图、直方图，还包括桑基图、空间图、热力图等额外的类型。

数据可视化不是图表的美化，而是呈现数据的逻辑之美，是揭示数据的内在关联。了解图表的维度和适用场景，比好看更重要。比如桑吉图就是偶一直推崇的图表，它并不知名，但是它能清晰的揭露数据内在状态的变化和流向。案例是用户活跃状态的趋势。

Excel的图表操作很傻瓜化，其依旧能打造出一份功能强大的可视化报表。「数据可视化：教你打造升职加薪的报表」教给大家常用的Excel绘图技巧，包括配色选取，无用元素的剔除、辅助线的设立、复合图表等方法。

Excel图表的创造力是由人决定的，对数据的理解，观察和认知，以及对可视化的应用，这是一条很长的道路。

图表是单一的，当面板上绘制了多张图表，并且互相间有关联，大家常称之为Dashboard仪表盘。

上图就是用分析师薪资数据为数据源绘制的Dashboard，比单元格直观不少。大家常常把绘制这类Dashboard的工具叫做BI。

BI（商业智能）主要有两种用途。一种是利用BI制作自动化报表，数据类工作每天都会接触大量数据，并且需要整理汇总，这是一块很大的工作量。这部分工作完全可以交给BI自动化完成，从数据规整、建模到下载。

另外一种是使用其可视化功能进行分析，它提供比Excel更丰富的交互功能，操作简单，而且美观，如果大家每天作图需要两小时，BI能缩短大半。

在「数据可视化：手把手打造BI」教程中，以微软的PowerBI举例，教大家如何读取数据，规整和清洗数据，绘制图表以及建立Dashboard。最后的成果就是上文列举的分析师案例。

BI还有几个核心概念，包括OLAP，数据的联动，钻取，切片等，都是多维分析的技巧，也是分析的核心方法之一。

后续的进阶可视化，将和编程配合。因为编程能够提供更高效率和灵活的应用。而BI也是技术方向的工具，了解技术知识对应用大有帮助。

第三part：数据分析思维数据分析能力的高低，不以工具和技巧决定，而以分析思维决定。

在一场战争中，士兵装备再好的武装，进行再严苛的训练，若是冲锋的方向错了，那么迎接他们的唯有一败涂地。

分析思维决定一场「数据战争」中的冲锋方向。只有先养成正确的分析思维，才能使用好数据。

既然是思维，它就倾向于思考的方式，Excel函数学会了就是学会，分析则不同。大多数人的思维方式都依赖于生活和经验做出直觉性的判断，以「偶觉得偶认为」展开，好的数据分析首先要有结构化的思维。

麦肯锡是其中领域的佼佼者，创建了一系列分析框架和思维工具。最典型地莫过于金字塔思维。

这篇文章简述了该思维的应用，「快速掌握麦肯锡的分析思维」。你能学会结构化思考，MECE原则，假设先行，关键驱动等方法论。

除此以外，还有SMART、5W2H、SWOT、4P4C、六顶思考帽等，这些都是不同领域的框架。框架的经典在于，短时间内指导新人如何去思考，它未必是最好的，但一定是性价比最优的。数据分析思维，是分析思维的引申应用。再优秀的思考方式，都需要佐证和证明，数据就是派这个用处的，「不是偶觉得，而是数据证明」。

现代管理学之父彼得·德鲁克说过一句很经典的话：如果你不能衡量它，那么你就不能有效增长它。如果把它应用在数据领域，就是：如果你不能用指标描述业务，那么你就无法有效增长它。每一位数据分析师都要有指标体系的概念，报表也好，BI也好，即使机器学习，也是围绕指标体系建立的。

下图就是一个典型的指标体系，描述了用户从关注产品、下载、乃至最后离开的整个环节。每一个环节，都有数据及指标以查询监控。

不同业务背景需要的指标体系不同，但有几个建立指标的通用准则。这篇文章深入介绍了「如何建立数据分析的思维框架」。你将区分什么是好指标、什么是坏指标、比率和比例、指标的结构、指标设立的维度等概念。

数据分析不是一个结果，而是一个过程。几乎所有的分析，最终目的都是增长业务。所以比分析思维更重要的是驱动思维落地，把它转化为成果。

数据分析思维是常年累月养成的习惯，一周时间很难训练出来，但这里有一个缩短时间的日常习惯。以生活中的问题出发做练习。

这家商场的人流量是多少？怎么预估？

上海地区的共享单车投放量是多少？怎么预估？

街边口的水果店，每天的销量和利润是多少？怎么预估？

这些开放性问题起源于咨询公司的训练方法，通过不断地练习，肯定能有效提高分析思维。另外就是刷各种CaseBook。

优秀的数据分析师会拷问别人的数据，而他本身的分析也经得起拷问。

第四part：数据库

Excel很容易遇到瓶颈，随着业务的发展，分析师接触的数据会越来越多。对大部分人的电脑，超过十万条数据，已经会影响性能。何况大数据时代就是不缺数据，这时候就需要学习数据库了。

即使非数据岗位，也有越来越多的产品和运营被要求使用SQL。

很多数据分析师戏称自己是跑SQL的，这间接说明SQL在数据分析中有多核心。从Excel到SQL绝对是处理效率的一大进步。

教程内容以MySQL为主，这是互联网行业的通用标准。其实语法差异不大的。

新手首先应该了解表的概念，表和Excel中的sheet类似。「写给新人的数据库指南」是一篇入门基础文章，包括表、ID索引、以及数据库的安装，数据导入等简单知识。

SQL的应用场景，均是围绕select展开。增删改、约束、索引、数据库范式均可以跳过。新手在「SQL，从入门到熟练」教程会学习到最常见的几个语法，select、where、group by、if、count/sum、having、order by、子查询以及各种常用函数。

数据还是分析师薪资数据，它可以和Excel实战篇结合看，不少原理都是相通的。

想要快速掌握，无非是大量的练习。大家可以在leetcode上做SQL相关的练习题，难度从简单到困难都有。「SQL，从熟练到掌握」教程中将会带领大家去刷一遍。

join对新手是一个很绕的概念，教程会从图例讲解，逐步提高难度。从一开始的join关联，到条件关联、空值匹配关联、子查询关联等。最后完成leetcode中的hard模式。

如果想要更进一步，可以学习row_number，substr，convert，contact等函数。不同数据平台的函数会有差异，例如Presto和phpMyAdmin。再想提高，就去了解Explain优化，了解SQL的工作原理，了解数据类型，了解IO。知道为什么union比or的效率快，这已经和不少程序员并驾齐驱。

第五part：统计学

很多数据分析师并不注重统计学基础。

比如产品的AB测试，如果相关人员不清楚置信度的含义和概念，那么好的效果能意味着好么？如果看待显著性？

比如运营一次活动，若不了解描述统计相关的概念，那么如何判别活动在数据上的效果？可别用平均数。

不了解统计学的数据分析师，往往是一个粗糙的分析师。如果你想要往机器学习发展，那么统计学更是需要掌握的基础。

统计知识会教大家以另一个角度看待数据。如果大家了解过《统计数据会撒谎》，那么就知道很多数据分析的决策并不牢靠。

在第一篇教程「解锁数据分析的正确姿势：描述统计」，会教给大家描述统计中的诸多变量，比如平均数、中位数、众数、分位数、标准差、方差。这些统计标准会让新手分析师从平均数这个不靠谱的泥潭中出来。

箱线图就是描述统计的大成者，好的分析师一定是惯用箱线图的常客。

第二篇「解锁数据分析的正确姿势：描述统计(2)」将会结合可视化，对数据的分布进行一个直观的概念讲解。很多特定的模型都有自有的数据分布图，掌握这些分布图对分析的益处不可同日而语。

直方图和箱线图一样，将会是长久伴随分析师的利器。

统计学的一大主要分支是概率论，概率是度量一件事发生的可能性，它是介于0到1之间的数值。很多事情，都可以用概率论解释，「概率论的入门指南」和「读了本文，你就懂了概率分布」都是对其的讲解。

包括贝叶斯公式、二项概率、泊松概率、正态分布等理论。理论不应用现实，那是无根之木，教程中会以运营活动最常见的抽奖概率为讲解，告诉大家怎么玩。

其实数据分析中，概率应用最广泛和最全面的知识点，就是假设检验，大名鼎鼎的AB测试就是基于它的。俗话说得好，再优秀的产品经理也跑不过一半AB测试。

何为假设检验？假设检验是对预设条件的估计，通过样本数据对假设的真伪进行判断。

产品改版了，用户究竟喜不喜欢？调研的评分下降了，这是用户的评价降低了，还是正常的数据波动呢？这些都是可以做假设检验的。它可以说是两面两篇文章的回顾和应用。

「数据分析必须懂的假设检验」依旧以互联网场景讲解各种统计技巧的应用。假设检验并不难，通过Excel的几个函数就能完成。它的难点在于诸多知识点和业务的结合使用，实际公式不需要掌握的多透彻，了解背后的意义更重要。

统计学是一个很广阔的领域，包括方差分析，时间序列等，都有各自不同的应用。大家若感兴趣，可以去阅读各类教材，没错，教材是学习统计学最优的方式。偶这类文章堪堪算入门罢了。

第六part：业务

对于数据分析师来说，业务的了解比数据方法论更重要。举个例子，一家O2O配送公司发现在重庆地区，外卖员的送货效率低于其他城市，导致用户的好评率降低。总部的数据分析师建立了各个指标去分析原因，都没有找出来问题。后来在访谈中发觉，因为重庆是山城，路面高低落差比较夸张，很多外卖人员的小电瓶上不了坡…所以导致送货效率慢。这个案例中，大家只知道送货员的送货水平距离，根本不知道垂直距离。这是数据的局限，也是只会看数据的分析师和接地气分析师的最大差异。业务形态千千万万，数据分析师往往难窥一二。偶的公众号业务部分也涉及了不少，大家可以通过这几篇文章了解。

一篇文章读懂活跃数据；深入浅出，用户生命周期的运营；获取新增用户，运营都应该知道的事；运营的商业逻辑：CAC和CLV；从零开始，构建数据化运营体系；读懂用户运营体系：用户分层和分群，这些都是互联网运营相关的内容，或多或少涉及了不少业务方面的概念，数据分析人员可以选择性的挑选部分内容。了解业务的数据分析师在职场发展上会更加顺利。

而在「最用心的运营数据指标解读」中，偶尝试总结了几个泛互联网领域的指标和业务模型，它们都是通用的框架。

产品运营模型：以移动端APP为主体，围绕AARRR准则搭建起数据框架。包括Acquisition用户获取、Activation用户活跃、Retention用户留存、Revenue营收、Refer传播，以及细分指标。

市场营销模型：以传统的市场营销方法论为基底，围绕用户的生命周期建立框架。包括用户生命周期，生命周期价值、用户忠诚指数、用户流失指数、用户RFM价值等。

流量模型：从早期的网站分析发展而来，以互联网的流量为核心。包括浏览量曝光率、病毒传播周期、用户分享率、停留时间、退出率跳出率等。

电商和消费模型：以商品的交易、零售、购买搭建而起。包括GMV、客单价、复购率、回购率、退货率、购物篮大小、进销存，也包含SKU、SPU等商品概念。

用户行为模型：通过用户在产品功能上的使用，获得精细的人群维度，以此作为分析模型。包括用户偏好、用户兴趣、用户响应率、用户画像、用户分层，还包含点赞评论浏览收藏等功能的相关指标。

除了上述的几个常见模型，数据分析还有其他分支。比如SEO/SEM，虽然可以归类到流量模型，但它并不简单。比如财务分析，商业的各种成本支出也需要专人负责。

在业务知识外，业务层面的沟通也很重要。业务线足够长的时候，沟通往往成为老大难的问题。

业务学习没有捷径，哪怕掌握了诸多模型，不同行业间的业务壁垒会是分析师们的门槛。金融的各类专有领域知识，电子商务不同产品的特性，这些都会影响到分析报告的质量。

在早期，新人最好选择一到两个领域深入了解其业务，然后以此拓展边界。

第七part：Python/R

第七周是最后的学习环节。

是否具备编程能力，是初级数据分析和高级数据分析的风水岭。数据挖掘、BI、爬虫、可视化报表都需要用到编程。掌握一门优秀的编程语言，可以让数据分析师升职加薪，迎娶白富美。数据分析领域最热门的两大语言是R和Python。R的优点是统计学家编写的，缺点也是统计学家编写。涉及各类统计函数和工具的调用，R无疑有优势。但是大数据量的处理力有不逮，学习曲线比较陡峭。

Python则是万能的胶水语言，适用性强，可以将分析的过程脚本化。Pandas、Numpy、SKLearn等包也是非常丰富。

这里的教程以Python为主。

「开始Python的新手教程」将会教大家搭建数据分析环境，Anaconda是功能强大的数据科学工具。Python建议安装Python3+版本，不要选择Python2了。

Python的语法相当简洁，大家print出第一个hello world顶多半小时。就像在Excel上进行运算一样方便。

「开始Python的数据结构」介绍给大家Python的三类数据结构，列表list，元组tuple，以及字典dict。万变不离其宗，掌握这三种数据结构以及相对应的函数，足够应付80%的分析场景。函数式编程为Python一大特色，Python自身就提供不少丰富的函数。很多都和Excel的函数相通，掌握起来非常迅速。另外还有控制流，for、while、if，通常配合函数组合使用。

「了解和掌握Python的函数」教大家如何自定义函数，丰富的函数虽然能偷懒，但是不少场景下，还是需要自己动手撸一个。

能够调第三方包解决，就使用第三方的函数。如果是一个频繁使用的场景，而第三方依靠不了，就自己编一个函数。如果是临时性的场景，写得粗糙点也无所谓。毕竟分析师的代码能力不要求工程师那么严格，所以Python的学习尽量以应用为主，不用像分析师那么严格。

包、模块和类的概念属于进阶知识，不学也不要紧。

「Python的数据分析: numpy和pandas入门」介绍了数据分析师赖以生存的两个包，numpy和pandas，其他Python知识可以不扎实，这两个最好认真掌握。它是往后很多技能树的前置要求。

array，series，dataframe是numpy和pandas的三个数据结构，掌握它们，便算是入门了。后续的两篇教程都是实战。

「用pandas进行数据分析实战」以分析师的薪资作为实战数据。Excel、BI、SQL，一路走来，大家想必对它无比熟悉，这也是最后一次使用它了。教程通过Pandas的各类功能，绘制出一副词云图。

最后一篇教程，将结合以往的知识点，包括业务指标，可视化，描述统计学等内容。「用Python分析用户消费行为」，完成它，不说登堂入室，但也是一位合格的数据分析师了。

它使用某网站的用户消费数据，计算各类常见指标：用户的客单价、人均购买量、回购率、复购率、留存率、平均生命周期等，真正做到融会贯通。用一份数据报告作为毕业作品，也是七周系列最好的结业证书了。

对于没有技术基础的同学，第七part最吃力，但已经完成到这一步，不妨让自己咬咬牙学习下去。

最后

如果能够看完到这里的同学，相信你是对数据分析真正感兴趣的。

有什么冷门但好用的软件呢？

Essentialpim PRO:日程管理和知识管理的大神级软件，惠普、三星、佳能等知名公司的选择。

不但可以当做日程管理软件，还可以作为知识管理软件：

独立数据库，确保安全。多端通过wifi同步：

该软件得到国际大牌公司认可：

这样一款软件，价格并不高。

当然，如果你愿意，可以选择河蟹版。

说完了传统知识管理软件，还有时下比较热门的双链笔记软件：

简单了解一下什么是双链笔记，不需要搞懂复杂概念，和热门的知识管理软件NOTION做一个比较：

据说，roam edit未来的发展空间和底层架构都比NOTION大整整一圈。

Roam到底能做什么，能解决什么问题？

简单来说，就是：让知识能用

类似下面的图：

为什么这样的图能让知识更有效呢？

看下图案例（软件-全世界的界面）：

知识之间、信息之间建立关联，只要知道任何一个关键点，就能顺藤摸瓜的构建整个知识大厦。

这才是真正的有用、能用的知识。

软件界面（太复杂，拉轰仅仅在初步摸索阶段）：

XYplorer：文件管理的超冷门超强大软件

一位大V这样评价它：

看看它酷炫又实用的界面：

当然还可以选择以下软件：

qdir

qttabbar+clover

one commander

讯读PDF:拉轰目前认为最好的PDF软件，没有之一

下面的思维导图是目前的推荐软件：

拉轰出品，必属精品

苹果mac电脑为啥如此受欢迎？

苹果电脑一直谈不上有多受欢迎吧，毕竟MacBook Air/pro分辨7999元和9999元的基础售价，实在谈不上多又好，而且这个售价的电脑居然不带独显，相对于同价位别的品牌，都能买到市场上的中高端配置的游戏本了，另外还有Mac系统，喜欢的人觉得像婴儿般的肌肤丝滑流畅，不喜欢的人觉得反人类。

所以即使从市场占比上看，苹果电脑也谈不上多么受欢迎，使用人群还是偏小众了一点。

你以为偶是果黑吗，其实不是，从款到款/款/ m1款一路用来的老用户，只有一句赞叹，苹果Mac电脑yysd。

接下来说说对于一名多年使用的老用户来说，自行划分的苹果电脑的三个时代。

款MacBook Pro最后一代信仰 MacBook Pro

第一台电脑其实是款 MacBook Air，用了半年多之后实在受不了那个泛白的屏幕和颗粒感，加钱换了MacBook Pro。

相当于同一年都上手了款的Air/pro，其实大部分人上手苹果电脑的原因很简单，非常非常有腔调（还是觉得那两个字形容起来酣畅淋漓，但怕被说是脏话），当时市场上几乎还都是塑料质感的黑色机身，只有苹果是精致的银色一体化铝合金机身，还带着白色的信仰灯，星巴克最强氛围组这个称号，还有谁能配得上。

其实用的时间长了之后，你会发现款MacBook Pro，真的是最后一代信仰了，在当时的工业设计及制造工艺上，这款电脑是当之无愧的巅峰，抛开信仰灯不说，极其好用的磁吸充电接口，单手开合的屏幕，p3广色域级别的视网膜屏幕，完善的接口，流畅的系统，吊打同行6-8小时的续航时间，在那个时代做到极致的机身厚度和重量等等等等，即使在的今天再次打开朋友的这款电脑（后面出给朋友了），依然是好不落后的体验和外观，满满的情怀。

只说接口，后面的都是弟弟

当然这款电脑也不是没有缺点，最明显的就是屏幕涂层，一旦保护不好就像白癜风一样这边一块那边一块，另外还有软件兼容性，当时wps还没有适配，微软的office跨平台文件格式兼容性又极度不友好，就连基础的办公可能有时候都让人绞尽脑汁，但这些都没办法阻挡它的出色，在那时候就外观设计而言，这是一款最好的电脑，没有之一。

开始向未来改变的/款MacBook Pro

说句走心的话，有时候真的不能只看网上的评测，衣服合不合适，要穿上身才知道，款之后的Mac电脑也是这样。

没了信仰灯，没了丰富又实用的接口，没了磁吸充电接口之后，几乎所有网友包括偶在内，对苹果充满了深深的失望，当时计划款电脑用到寿命结束后就更换戴尔的xps系列了，但是当时准备换电脑的时候，刚好朋友买了xps13，带着出差用了20多天，感觉还是不适合，于是最终还是选择入手了款MacBook Pro（因为穷，所以每个系列只入手乞丐版，不带Touch Bar），用了一年的时候刚好有机会，朋友不习惯Touch Bar，加了1千多换成了款带Touch Bar的MacBook Pro。

说实话，拿到手上不仅没有失望，反而充满了惊喜，虽然没有信仰灯，但是金属抛光的logo更显质感也更绅士，而且偶终于可以选择自己喜欢的黑色了，也更加低调和沉稳，携带出差的时候比之前的电脑更薄更轻，几乎达到了Air的厚度，虽然磁吸接口没有了，接口也不够丰富，但对日常来说几乎没有影响。

不得不说苹果是一个非常会做减法的公司，又或者是消费者会随着产品的设计做改变，虽然因为接口原因配备了转换坞，但实际用上的时候很少，基本都是在线传文件或者iCloud解决，u盘和硬盘除了备份资料的时候拿出来用下，平常已经吃灰很久了。

一直以来苹果在屏幕上的调教就没有对手，最大的对手就是自己，款屏幕除了保持之前屏幕优势的同时，还增加了手机上的原彩显示自动调节，另外Touch Bar在视频剪辑或看视频的时候非常好用，开盖自动唤醒屏幕后指纹解锁，也让电脑变得比之前更加方便。

最需要说的是，到款的时候，软件兼容性基本已经得到了非常大的改善，对于偶来说，常规办公已经没有什么不方便的地方了，这个时候的mac电脑，偶觉得像一个青年，有朝气，有好看的外形，也有足够用的内在。

唯一需要啰嗦的，还是那个经常有跳水可能的intel芯片和可怜的集成显卡，每次看着朋友欢快地用笔记本打游戏，看看自己的机子只能安慰说这把年纪了，还打什么游戏。

这就是未来 M1 MacBook Air

没错，这就是未来，从m1开始。

为什么从这款开始选择入手Air，原因是因为这代的Air足够好（没错，就是因为贫穷限制了想象力），相较于之前的Air，从这款开始最大的短板屏幕得到了补齐，至于Touch Bar，那个也不是刚需（主要还是能省下来2k），至于被阉割了一个核心的显卡，拜托，集成显卡这么多年也都习惯了，被阉割了10%左右的性能，而且还不是物理阉割，只是软件屏蔽，有什么不能接受的。

万一之后能软件绕过封锁，岂不是赚了？

相当于桌面级的i9处理器➕gtx1050显卡的性能，无风扇设计，p3广色域➕视网膜级别➕原彩显示的屏幕，续航时间长达18个小时，基本3天左右充一天电的办公强度，香不香，谁还敢说苹果没有性价比，从这代开始就有了。

更加重要的是，一直以来Mac系统下的兼容性，从m1开始就可以说再见了，大部分的iOS软件都能在电脑上运行，而这个时候的微软，才开始win11上运行安卓的最初测试，这就是m1下的mac划时代的未来，如果你非要抬杠说iOS软件质量好但偶就是想用win11玩安卓，那么也是可以的，只要你开心，愿意动手安装win11.

当然苹果的老毛病，每一款划时代的产片都有些毛病，表现在m1上面的就是硬盘磨损，据说因为新款芯片的原因，会导致硬盘读取数据异常，造成不可挽回的损耗，有网友说可能硬盘使用寿命就是3年的左右的时间。

所以你觉得偶会在乎吗，偶当然在乎，所以一般没有移动办公需求的时候就外挂硬盘，吃灰吃了很久的扩展坞和硬盘也终于有了用武之地。

这就是偶为什么说苹果Mac电脑没有想象中那么受欢迎，毕竟太小众，生活中实际用Mac电脑的人群不多，但又确实受欢迎，对于忠实粉丝来说，尤其是m1芯片的mac电脑，不仅保证了传统的品质，还增强了内功，偶不会说它完美，但偶愿称m1芯片的Mac电脑为历代以来的最强。