Python on 个人技术随想

使用uv管理Python环境

Mon, 28 Jul 2025 11:00:00 +0800

uv是什么？

简单来说，uv是一个Rust写的Python环境与包管理器，旨在取代pip。

基本的uv安装配置

No! 我们的宝贵时间，不应该浪费在这种重复工作上！请直接参考官网教程。

对喜欢自己动手，不喜欢官方安装脚本的人来说，安装也很简单：直接去Github Release下载发行包，把uv和uvx丢进~/.local/bin，确保这个目录在PATH里，然后往~/.bashrc加两句：

1
2

eval "$(uv generate-shell-completion bash)"
eval "$(uvx --generate-shell-completion bash)"

开始使用

定义项目依赖

uv当然可以像pip那样使用，例如uv pip install numpy。但这似乎不是最优雅的方法。

对于uv来说，每个文件夹就可以被认为是一个Project。因此，推荐的做法是，在pyproject.toml定义项目依赖的pip包，以及版本号要求等。例如:

[project]
name = "my-project"
version = "0.0.1"
dependencies = [
  "numpy",
  "torch==2.5.1",
  "torchvision==0.20.1",
]

这之后，只需要执行一句:

uv sync

uv就会在当前目录.venv下创建一个虚拟环境，并安装pyproject.toml中定义的依赖项。

只需要等待处理完毕，然后source .venv/bin/activate，即可激活使用环境。

配置pypi软件源

众所周知，配置软件仓库镜像站已成为配环境的必备之路。

配环境笑传之Configure仓必。

uv默认不读取pip.conf中的配置项，因此先前针对pip配置的软件源不会影响uv的设置。

如果希望镜像配置仅对当前项目生效，可以直接编辑pyproject.toml，填入以下内容:

1
2
3

[[tool.uv.index]]
url = "https://mirrors.sustech.edu.cn/pypi/web/simple"
default = true

📌 重要

关于Pytorch

鉴于眼下PyTorch包没有更新频繁、好用高速的镜像站，基本还是走的官方下载渠道。

因此，如果只是简单需要在环境中安装指定CUDA/ROCM版本的PyTorch，不必像我下面的示例一样配置。

只需要简单地在uv pip install命令中指定--torch-backend参数即可。具体可参考文档。

例如：uv pip install "torch==2.8.0" --torch-backend=cu126，即可安装CUDA 12.6版本的Torch 2.8啦。

而对于一些使用独立软件源的包（如PyTorch），则需要定义额外的index项目，并在sources中显式要求这些包使用这些软件源:

[tool.uv.sources]
torch = [
  { index = "pytorch-cu121" },
]
torchvision = [
  { index = "pytorch-cu121" },
]
torchaudio = [
  { index = "pytorch-cu121" },
]

[[tool.uv.index]]
name = "pytorch-cu121"
url = "https://download.pytorch.org/whl/cu121"
explicit = true

上述index定义适用于提供index-url，也就是符合PEP 503规范的软件源。

而对于find-links的软件源，只需要在定义index时加一句format = "flat"即可。例如:

pyg_lib = [
  { index = "pyg-torch251-cu121" },
]
torch_scatter = [
  { index = "pyg-torch251-cu121" },
]

[[tool.uv.index]]
name = "pyg-torch251-cu121"
url = "https://data.pyg.org/whl/torch-2.5.1+cu121.html"
format = "flat"
explicit = true

怎么判断需要用的软件源要不要加format = "flat"一句呢？

很简单，看这个软件源提供的pip安装示例代码。如果其通过-i/--index-url <url>指定软件源，那就不需要加。反之，如果是通过-f/--find-links <url>指定的，那就需要。

📝 备注

TOML语法

包括我在内，一定有人好奇，为啥上面的配置文件中，为啥[[tool.uv.index]]中需要两对方括号[[]]？

这是TOML中的Array of Tables语法，Table实际上就是字典。

具体到uv配置文件，可以认为uv的配置项目中存在一个index数组，该数组包含了多条index信息字典。

例如：

[[tool.uv.index]]
url = "https://mirrors.sustech.edu.cn/pypi/web/simple"
default = true

[[tool.uv.index]]
name = "pytorch-cu121"
url = "https://download.pytorch.org/whl/cu121"
explicit = true

等价到JSON中就是:

{
    "tool": {
        "uv": {
            "index": [
                {
                    "url": "https://mirrors.sustech.edu.cn/pypi/web/simple",
                    "default": true,
                },
                {
                    "name": "pytorch-cu121",
                    "url": "https://download.pytorch.org/whl/cu121",
                    "explicit": true,
                },
            ],
        },
    },
}

配置文件细节

uv会从多个位置探测并加载可能的配置文件，按照大致的覆盖顺序为（后面的会覆盖先前的）：

System-Level Config
- Unix: /etc/uv/uv.toml和$XDG_CONFIG_DIRS/uv/uv.toml
- Windows: %SYSTEMDRIVE%\ProgramData\uv\uv.toml
Use-Level Config
- Unix: ~/.config/uv/uv.toml和$XDG_CONFIG_HOME/uv/uv.toml
- Windows: %APPDATA%\uv\uv.toml
Project-Level Config
- ./pyproject.toml
- ./uv.toml

和pyproject.toml不同，uv.toml中的配置项不需要包含tool.uv前缀。

例如，为了配置uv使用的pypi镜像站，在pyproject.toml中可以指定:

1
2
3

[[tool.uv.index]]
url = "https://mirrors.sustech.edu.cn/pypi/web/simple"
default = true

而在uv.toml中，则需要写成:

1
2
3

[[index]]
url = "https://mirrors.sustech.edu.cn/pypi/web/simple"
default = true

管理Python版本

uv还提供了管理Python版本的功能，可以像conda那样，安装指定版本的Python解释器。

例如，如果需要安装3.14版本的Python:

`1`	`uv python install 3.14`

同时，如果希望为每个项目指定版本号，也可以在pyproject.toml中指定requires-python。例如：

1
2

[project]
requires-python = ">=3.12,<3.13"

然而，uv使用的Python二进制包来自astral-sh/python-build-standalone项目，该项目是托管在Github上的，下载有时候并不顺畅。

一种解决思路是，在uv配置中指定python-install-mirror，指向你能访问到的最快的Github。例如，在pyproject.toml中:

1
2

[tool.uv]
python-install-mirror = "https://github.com/astral-sh/python-build-standalone/releases/download"

手动创建虚拟环境

是的，总有人喜欢掌控一切的感觉。

例如，如果就是不喜欢uv默认在每个项目下创建.venv的行为，就是喜欢创建一些集中式的虚拟环境，然后在其他项目中激活使用，那该怎么办呢？

很简单:

`1`	`uv venv /path/to/venv`

甚至还能指定一下Python版本号:

`1`	`uv venv ./venv -p 3.14`

不过，在可能的时候，uv会使用文件链接创建环境，多个环境内的相同依赖项会被复用。所以其实不太需要担心创建环境带来的磁盘重复开销问题。

但是，如果需要使用uv sync安装软件包，uv sync默认使用的环境是当前目录下的.venv。如何让uv sync使用任意虚拟环境呢？

也很简单，只需要先激活对应的环境，然后在uv sync加上一个参数--active即可，这个参数会命令uv使用和修改当前已经激活好的环境。

1
2

source /path/to/venv/bin/activate
uv sync --active

和Conda/Mamba一起使用

到目前为止，既然uv已经能实现管理Python版本的功能，实话说已经想不太出Conda/Mamba的用武之地。

如果希望在Conda中创建环境，然后使用uv管理软件包，那其实整体上和上面的手动创建虚拟环境是类似的。

不过，uv sync可能会遇到问题，无法识别Conda创建的环境。这时候就需要使用uv pip install安装包。

1
2

mamba activate -n myvenv
uv pip install -r pyproject.toml

uv pip install是最通用的包安装方法，-r pyproject.toml表示从pyproject.toml中读取依赖项并安装，该参数也可以是requirements.txt。

链接模式

在安装软件包时，如果目标虚拟环境和uv的缓存不在一个文件系统下，可能会弹出以下警告:

1
2
3

warning: Failed to hardlink files; falling back to full copy. This may lead to degraded performance.
If the cache and target directories are on different filesystems, hardlinking may not be supported.
If this is intentional, set `export UV_LINK_MODE=copy` or use `--link-mode=copy` to suppress this warning.

在Windows和Linux下，uv默认通过创建缓存到site-packages的hardlink以安装软件包。(MacOS下是创建的CoW克隆，不过我没有Mac，不太清楚实现细节)

然而，众所周知，Hardlink不能跨文件系统创建，那难道就要像上面的说明一样，给环境文件都做个全量复制？

好奇宝宝们，就不好奇一下，有没有比较折中的方案——SymbolLink吗？

有的，兄弟，有的。不过要翻一翻手册才能明确。只需要在命令行中指定--link-mode symlink:

`1`	`uv sync --link-mode symlink`

🚨 注意
Symlink模式与缓存兼容性
好奇宝宝们，有没有想过，在文件系统中，Symlink无法追踪一个源文件正在被多少个链接追踪。

也就是说，对于缓存系统内的某一个包，uv无法追踪缓存中的包被链接到了多少个虚拟环境中，这些虚拟环境是否还存在。

要命的是，uv cache clean的机制似乎是简单地删除整个缓存目录，删起来就不知道天地为何物了。

对Hardlink来说，这不会造成什么影响，因为文件系统会自动维护每个文件inode的指针数量。

但对Symlink来说，删除缓存后所有虚拟环境中的Symlink都会变成无根之树，全都指向不存在的路径。截至2025年7月，这一问题仍然存在。

考虑到这一问题主要出在无法创建硬链接的跨文件系统场景下，一种折中的方法是：在与uv缓存相同的文件系统上创建虚拟环境，然后将整个虚拟环境文件夹软链接到希望使用的地方，如项目路径下等。
1
2
3
ls /local/disk/.cache/uv/
uv venv /local/disk/envs/myenv
ln -s /local/disk/envs/myenv /another/fs/myproject/.venv

在VSCode中使用Jupytext实现ipynb与py文件转换

Wed, 08 Jan 2025 16:00:00 +0800

对于经常需要使用Python进行数据分析与处理的人来说，Jupyter Notebook是一个非常不错的选择。但Notebook文件在版本管理中，常常会造成麻烦。

这是因为，Notebook的.ipynb文件格式上实质是一个Json文件，包含了相当多的辅助信息，记录了诸如单元格类型、执行次数、单元格输出等信息，且源代码实质上已经被转义成Json兼容的字符串数组。

这一特性导致，在使用Git之类版本管理工具管理Notebook源代码时，其实并不方便。举例来说，即便是切换了Notebook运行的Kernel，也会修改Notebook文件，在版本管理工具中就是一次文件改动。

显然，大多数情况下，我们希望追踪的是Notebook中的源代码，单元格输出等信息并不是使用Git等工具管理代码仓库的目标。

因此，我们是否能找到一种方法缓解上述问题呢？

用Python文件存储不就好了？

是的！非常正常的想法，既然在Notebook中我们编写的都是.py代码，那么为什么我们不能将Notebook直接存储为.py文件呢？

事实上，无论是Jupyter的浏览器客户端，还是nbconvert模块，抑或是VSCode之类的编辑器，都提供了将Notebook转换为Python源代码文件的功能。

并且，只需要辅助以正确的助记符，包括Markdown单元格等信息，都可以被正常存储。

怎么转换回Jupyter Notebook？

存储的问题解决了，但怎么从.py文件转回.ipynb文件呢？

这时候就需要一个名为jupytext的模块了。详情请看：https://jupytext.readthedocs.io/en/latest/。

手动转换好麻烦

不过，设想一下，如果用手动的方法，我们每次编辑一个文件将包含以下几个流程：

将.py转换成.ipynb
在.ipynb文件上编程和调试
一切OK后，将.ipynb转换为.py
在Git中提交更改

很麻烦对吧？有没有能帮我们自动做这些的程序呢？

当然有！jupytext本身就提供了将.ipynb与.py配对的能力。

具体来说，只要将一个.ipynb文件与指定的格式进行配对，配对完成后，当修改两个文件的其中一个，同步一下，另一个文件也将自动反映出最新更改。

这样一来，只需要在Git仓库里追踪.py文件，然后尽情修改.ipynb，所有更改都会自动同步。我们就实现了，在.ipynb文件中调试，用.py文件存储的目标。

而所谓的配对，其实也没什么特别的，无非就是在配对文件.ipynb的metadata里，写入配对的格式信息，例如一个最简单的HelloWorld Notebook在配对后，大概是这样的：

{
    "cells": [
        {
            "cell_type": "code",
            "execution_count": null,
            "metadata": {},
            "outputs": [],
            "source": [
                "print(\"Hello World!\")"
            ]
        }
    ],
    "metadata": {
        "jupytext": {
            "formats": "ipynb,py:percent"
        },
        "kernelspec": {
            "display_name": "myvenv",
            "language": "python",
            "name": "python3"
        },
        "language_info": {
            "name": "python",
            "version": "3.12.7"
        }
    },
    "nbformat": 4,
    "nbformat_minor": 2
}

详情参见上述jupytext文档中的示例。

VSCode里怎么办呢

然而，jupytext的配对功能仅限于网页客户端的原生Jupyter，VSCode似乎并没有对这一功能的支持，因此似乎只能每次手动敲命令进行转换。

等一等，敲命令？那能不能让VSCode自动为我们执行转换的命令呢？别忘了VSCode的任务系统！

具体来说，我们需要做以下工作：

使用命令实现配对

由于配对是需要显式执行的，因此我们首先用命令实现这一点：

jupytext --set-formats ipynb,py:percent test-hello.ipynb

# Wildcard is OK for multiple files
jupytext --set-formats ipynb,py:percent *.ipynb

注意到上述命令中的ipynb,py:percent了吗？它的意思是将一个.ipynb文件与 percent 格式的.py文件配对起来。

什么是 percent 格式呢？实际上就是通过# %%等助记符作为Notebook单元格的划分，方便阅读也方便将.py转换回.ipynb文件。这一格式的介绍也请阅读jupytext的文档啦。

利用VSCode Tasks实现一键同步

现在，我们可以试着借助VSCode Tasks，实现.py与.ipynb文件内容更改的一键同步。

编辑工作路径.vscode/tasks.json文件（没有就新建一个），编辑内容如下：

{
    // See https://go.microsoft.com/fwlink/?LinkId=733558
    // for the documentation about the tasks.json format
    "version": "2.0.0",
    "tasks": [
        {
            "label": "JupyText Sync",
            "type": "shell",
            "command": "${command:python.interpreterPath}",
            "args": [
                "-m",
                "jupytext",
                "--sync",
                "${file}"
            ],
            "group": {
                "kind": "build",
                "isDefault": true
            }
        }
    ]
}

保存文件。

现在，每当我们在编辑.ipynb或.py文件的其中一个并保存后，只要我们按下Ctrl + Shift + B键，运行VSCode的构建任务，我们配对的同名文件就会自动同步更改。

速通PostGIS地理数据分析

Mon, 23 May 2022 12:09:16 +0800

前言

因为一些缘故，接触了一下对空间地理数据的分析工作。忙完以后，想了想决定写下这篇文章，方便日后如有需要，可以快速查阅，也供后人参考。

背景条件

我们主要是针对给定的空间地理数据（如GeoJson，Shapefile）进行一些数据提取和分析，获得我们想要的分析结果。本文不讨论这些数据如何收集，抑或是如何编制，我们只讨论分析方面的内容，并且也不会涉及非常深，因为本文重点更在于，快速介绍对地理数据进行分析的大致方法，而具体的分析思路、分析流程，是各位灵感发挥的重要地方。

本文会涉及到对PostgreSQL数据库的使用，建议未接触过PostgreSQL的读者自行查阅相关的基础资料。不过，假如对基本的SQL，特别是MySQL/MariaDB有基本的了解，甚至是一定的使用经验，可以参考本文的前序文章在MySQL基础上速通PostgreSQL

因为我本身不是学地理信息专业的，因此以上知识与理解是临时抱佛脚速成学得，如果本文有什么错误，还请批评指正（请发邮件给我）！多谢各位包涵。

目标

我们的分析工作环境可能需要我们做到以下几点。

建立一个PostgreSQL数据库（下面简称psql），并启用PostGIS
将收集到的数据放到psql中
使用Python对这些数据进行进一步的分析计算

数据库为什么选择PostgreSQL呢？可能是由于PostgreSQL中的GIS插件PostGIS比较优秀，支持比较好。

而选用Python进行数据分析，是因为其提供了Numpy/Pandas/Geopandas/Scipy等十分通用的工具。如果你喜欢其他工具体系，完全可以替换，只要可以连接读取psql中的地理数据即可。这里我们以Geopandas作为主要工具。

环境配置

我觉得配环境向来是浪费口舌的，但又是最重要的一环，没有配好的环境，我们什么都做不了。

我们需要安装的软件有:

PostgreSQL + PostGIS插件
Python + Pandas/Numpy/Scipy/SQLAlchemy/Matplotlib模块
Geopandas/Geoalchemy

一般来说，最上面的两项是比较容易配置的，安装就好了，有非常多的方法，PostgreSQL在Windows上有安装包，在Linux上有软件包管理器。而Python部分无论是使用Conda还是使用Pip，都非常方便。

但有个例外，就是Geopandas/Geoalchemy两项。不知道是怎么回事，Conda源中Geopandas版本号比较古老，而使用conda-forge渠道会把安装卡在环境依赖关系检测部分。我当时是尝试了几次都没弄出理想的效果。

如果你也遇到了这样的问题，或许可以试试下面的方法：容器/Windows Subsystem of Linux

独立的环境

实际上这个方法比较诡异，但至少是能非常顺利地使用的。

我当时是无意中，看到Ubuntu的APT源中，存在python3-geopandas和python3-geoalchemy2两个软件包，版本号也不过时(Debian源中也有，但Debian Bullseye使用的版本号比Ubuntu 22.04的老一些)，遂直接放弃使用Conda配环境的念头，直接安装这两个软件包，运行一切正常。

当然，这样的方法能不出乱子，也得益于这些软件包没有依赖特定的硬件配置或者组件版本号。如果是需要依赖某个特定版本CUDA Toolkit的软件包，或许这样会出现更大的问题。

不过，这样一来，环境隔离就变成了一个需要考虑的问题。我们希望将这些环境隔离起来，万一日后发生错误，可以整个删除，而不对骨干系统造成影响。而APT安装的软件包，是全局性的。

因此，我们可以通过将这部分环境，整个作为一个容器进行隔离。

如果你主力操作系统使用的是Windows，那么可以尝试在WSL中安装Ubuntu（目前WSL可以自己手动import发行版，只要空间足够，可以添加非常多个实例，作为各自隔离的子系统，即便它们是同一个发行版，这和应用商店安装的有所不同）。
如果你主力操作系统使用的是Linux，那么可以试试LXC/LXD解决方案，直接运行一个Ubuntu容器。Docker应该也是不错的选择。
如果你主力操作系统使用的是Mac OS X，那………我也不清楚有什么好的解决方案，毕竟我不是苹果用户，反正思路和上面的是一样的。实在不行还有虚拟机对吧。

创建容器后，就可以直接通过APT安装python3-geopandas和python3-geoalchemy2，以及其他需要的Python模块。

如果你喜欢使用Visual Studio Code 配合 Jupyter Notebook，那么只需要安装python3-ipykernel软件包，并将Visual Studio Code连接到你的WSL或者容器中，打开工作文件夹，创建一个.ipynb文件，选择内核为系统目录下的python，你喜欢的工作流程就呈现在你的面前了。

PostGIS速通

接下来，我们试着介绍以下，如何使用PostGIS对地理数据进行查询。假设我们需要在名为gis_test1的数据库上存储空间数据。

顺带一提，我好像并没有接触3D形状的查询分析，我接触的都是在平面上的地理数据分析。不过，方法几乎是相同的。

启用PostGIS

若想要在一个数据库(Database)中存储地理空间数据，则必须启用PostGIS扩展。

⚠️ 警告

这里的数据库(Database)概念，指的是PostgreSQL服务器下,一个个相对独立的Database，并不是指整个PostgreSQL服务器实例。

我们连接到目标数据库后，使用以下代码启用PostGIS。操作前请确认执行以下语句时，是否已经切换到对应的数据库。

`1`	`CREATE EXTENSION postgis`

GIS中的形状

小学数学课上学过的，点动成线，线动成面，面动成体，在我们三维空间中都遵循着这些道理。

而如果我们将目光投向真实世界平面地图，我们会发现，地图上的许多事物，可以概括为以下几种类型:

点(Point): 地图上的一个点，例如，家门口的小卖部，抑或是市内的一座医院，就是一个点
线(Linestring): 地图上的一条线，例如，一条没有分支的地铁线路，从头到尾就是一条线
多边形(Polygon): 地图上的一个多边形，例如，在中国，一个县级行政区划（市辖区、县级市、县、旗等）所管辖的区域，就是一个多边形

这几种类型，正是在GIS中，对二维地图上的空间事物进行描述的基本类型。参考9. Geometries — Introduction to PostGIS

在此之上，如果我们将多个同类型的事物，放到一起，就会得到几个集合类型(Collection)，其中几个都是以 Multi 开头的

点集(MultiPoint): 地图上的多个点，例如，市内同名连锁便利店的集合，就是一个点集
线集(MultiLineString): 地图上的多条线，例如，市内地铁网络的线路集合，就是一个线集
多边形集(MultiPolygon): 地图上的多个多边形，例如，在中国，一个地级市下属的所有县级行政区划（市辖区、县级市、县、旗等），就是多个多边形组成的集合
地理集合(GeometryCollection): 如你所猜想的，以上几种任意类型的集合，而且也可以包含集合类型

这时候一定会有人问，上文中为什么要将医院、便利店标记成点(Point)？许多地点都有一定的尺寸、占地面积，将其抽象成点是否合适

参照上面参考页面:

Points are used to represent objects when the exact details, such as shape and size, are not important at the target scale. For example, cities on a map of the world can be described as points, while a map of a single state might represent cities as polygons.

Polygons are used to represent objects whose size and shape are important. City limits, parks, building footprints or bodies of water are all commonly represented as polygons when the scale is sufficiently high to see their area. Roads and rivers can sometimes be represented as polygons.

省流版本: 这取决于考察的区域范围与这些地点大小的相对关系，以及这些地点的尺寸是否会对分析结果产生影响。

举个例子，我们如果想要在城市火车站一角，张贴一张地铁线网概览图，那么我们可以放心地将地铁线路抽象为一条条线，而且这些线在图中的粗细，除了影响游客的可读性外，在传达信息的准确性上，并不会带来什么负面影响。

但如果，我们需要在地铁线路附近新建一栋大楼，需要向下挖掘地基，那么我们就不能用上面例子中的概览图来确定施工范围边界！毕竟一条线本身并没有粗细，在考察施工边界这样精度的问题时，这样的一条条线不能告诉我们地铁隧道具体位于何处，也不能告诉我们应该从何处向下挖掘地基。我们必须将地下的铁路隧道视为具有具体粗细的线，也就是一个多边形，才能在地图中准确表现出地铁隧道的位置，从而让我们准确避开地铁隧道进行施工。

PostGIS的形状运算

我们定义出上述元素，自然是为了方便接下来的运算工作。

通常，我们存储到数据库中的数据，常常是地图上事物的原始数据，如城市中公交车站的位置，各建筑物的具体地理边界等。然而，对于我们的分析需求来说，从数据库中读取这些原始数据往往是不够的，我们通常需要进行更复杂的运算，例如查询某个区域内公交车站的数量，或是某个区域内道路的总长度。

PostGIS提供的函数可以帮助我们通过SQL语句，构造上述查询目标的SQL表达式，从而轻松从数据库中获得上述信息。

形状的关系

在中小学时期，我们就学习过，两个图形是否相交，如何相交，会构成不同的模式。在PostGIS中，这一问题进一步和图形的内部、边界、外部结合起来，构成了GIS系统中的九维相交模型(9-Intersection Model)。

具体的解释，可以参考https://postgis.net/docs/manual-3.2/using_postgis_query.html

简单来说，我们常常涉及到的运算，其实主要以计算相交(Intersect)和包含(Contain)关系为主。而PostGIS的函数，通常以ST_开头。上述链接也提供了相关的示例，可以看看。

以我编写的一个SQL查询为例。

SELECT 
    n.area_id,
    n.area_name,
    ca.crime_area,
    ST_Area(ssa2.geometry) AS nei_area
FROM
    neighbourhoods n
JOIN
(
    SELECT
        n.area_id,
        SUM(ST_Area(ST_Intersection(ssa.geometry, bae.geometry))) AS crime_area
    FROM
        neighbourhoods n
    JOIN sa2_statistical_areas ssa ON
        n.area_id = ssa."SA2_MAIN16"
    JOIN break_and_enter bae ON
        ST_Intersects(ssa.geometry,
        bae.geometry)
    GROUP BY
        n.area_id
) ca
ON
    ca.area_id = n.area_id
JOIN sa2_statistical_areas ssa2 
ON
    n.area_id = ssa2."SA2_MAIN16"

在上述查询中，我们用ST_Intersects函数，计算ssa表中的geometry列，与bae表中的geometry列的交集，如果有两条记录产生了交集，则JOIN条件为真，联表查询生成的结果中会多出一行。