1.

是什么，能让我们：读你千遍也不厌倦？

当年，身在法国的毕加索得知张大千要拜访他，他也很纳闷，他说，最懂艺术的人，应该是中国人啊。

中国人的艺术品位现在已经只能靠记忆了，但是，我们的老祖宗确实是最懂艺术的。

5000年前，在尼罗河文明、两河文明和黄河文明都是从象形文字开始的，但是留存下来并且至今沿用的只有我们黄河文明的汉字。

象形文字代表了中国古人的艺术创造力，而造字之法更体现了汉字的艺术性：“周礼八岁入小学，保氏教国子，先以六书。一曰指事。二曰象形。三曰形声。四曰会意。五曰转注。六曰假借。”

汉字最初是仿照物体形状的简图，然后加上人为的标记，出现了指事字，将两幅图或两个字组合而成为会意字。除了用字之法外，字体也有不同的衍变，从金文、篆书、到隶书、楷书、行书、草书等，书法之妙，也是艺术体现。

2.

在东方百家争鸣的战国时期，西方诞生了欧几里得几何、阿基米德数学、亚里士多德形式逻辑思维。西方文明以字母符号开始，而中华文明依然执着地在象形文字中发展自己，独具特色。汉字的精妙在于字与义之间没有明确的文法规定，这种以形表意的方式使汉字本身有着浓郁的诗情画意，还有汉字与汉字之间的巧妙组合，如双声连绵词、叠韵联绵词。

20世界初，美国意象派诗人庞德从象形文字中获得灵感，他说，一个汉字本身就是一首优美的诗。汉字是世界上任何一种语言中的最特殊一种，更加丰富，更加视觉化。一个字，意思太丰富，比如“道”，比如“气”。

象形文字的以形表意不仅是文字的表达方式，而且也是思维的方式。朱熹称为“三经”的“赋比兴”就是形象思维的表达方式。钟嵘在《诗品》中说：“文已尽而意有余，兴也；因物喻志，比也；直书其事，寓言为物，赋也。”通俗点讲，直接说一件事情，就是赋；找到本体和喻体，就是比；意犹未尽、言不尽意的，就是兴。

比和兴，是最难也是最常用的表达方式，这也是象征思维的体现。

就拿音乐声来说，就有“大弦嘈嘈如急雨，小弦切切如私语”—白乐天笔下的噼啪声；

“昆山玉碎凤凰叫，芙蓉泣露香兰笑”—-李贺《李凭箜篌引》；

“划然变轩昂，勇士赴战场。浮云柳絮无根蒂，天地阔远随风扬”—韩愈《听颖师弹琴》。

许多诗词运用通感，就是把不同的感觉打通贯穿起来。

“衣微雨香青氛氲”（李贺）

象形文字就如一幅幅画，给了中国诗人想象和形象思维的空间，为他们提供了色彩斑斓的语言修辞材料。这样的汉字，才能写出诗中有画的诗篇，“池塘生春草，园柳变鸣禽。”（谢灵运 唐）

有了这样的意境，就可以使字和意之间、能指和所指之间不是十分明确和固定的，所以又“只可意会不可言传”。老子曰：“天地有大美而不言，四时有明法而不议，万物有成理而不说”。语言如海面上的冰山，还有更多的意义潜藏在文字之外，这些意义的把握理解，和读者的阅历经历有很大的关系。到后面发展而起来的“禅宗”，那是更加扑朔迷离，禅宗提倡以心传心、不立文字。一些具有禅缘慧根的诗人之作，更是让人领略其机锋，如“听雨寒更尽，开门落叶深”（无可上人）。这种”言有尽而意无穷“（苏轼），表达的内涵远超出了字面意义。这是以字母为基本组成部分的西方语言无法做到的。

3.

中国古典文学艺术创作，大致可以分为三个层次。

一个是直抒胸臆，如汉赋，大肆渲染，重笔浓抹。但是一目了然，看多了觉得索然无味。

另一个是托物言志，诗人要在景物和思想中找到一个恰当的契合点。

第三个就是最重要的，那就是前面提到过的言有尽而意无穷。

这三个层次，好如我们三个阶段的人生：意气风发的少年，一心求胜的青壮年和逐渐悟得的中年。

而第三个层次最为高级。

比如“空山不见人，但闻人语响。返影入深林，复照青苔上。”（王维《山林》）人和深林，意犹未尽。感受到的东西只是一座桥梁，它最后导致一件艺术作品的出现。只有感情、感受，才能达到艺术境界。

用最精炼含蓄的文字，达到最大语境的发挥，古代诗人做得很到位。所谓“弄一车兵器，不如寸铁杀人”。

唐宋以后，诗词走向凝练，不再豪爽笔墨，而是意高笔减。

“一叶落知天下秋”

“草嫩侵杀短，冰轻着雨消”

又比如“沉鱼落雁”，形容美女让人好生羡妒。但是它的出处是来自于关于动物的一段话，“毛嫱丽姬，人之所美也；鱼见之深入，鸟见之高飞，麋鹿见之决骤，四者孰知天下之正色哉？”（《庄子 齐物论》），后宋之问说：“鸟惊鱼畏”的原因归结为见到了美色”，由此演化为沉鱼落雁。

“沉鱼落雁”，没有一个字写美的，但是，意义却是美女，汉字的艺术联想，那么博大精深哎。

4.

我最欣赏的是辛弃疾的词：“少年不识愁滋味，爱上层楼，爱上层楼，为赋新词强说愁。而今识尽愁滋味，欲说还休，欲说还休，却道天凉好个秋。” 说不尽的惆怅，放到现今世界来，映照了最现实的世界：每个人都在抱怨着这个世界周围的一切，什么阶层固化，什么不要输在某条线上，但是，真要说出为什么抱怨，却无法说出个所以然，好像无法说出口，只能叹口气，看看天，又开始无关紧要嘀咕起来。

什么言辞都比不上辛兄这段啊。那艺术韵味，就是大音希声。

“此中有真意，欲辨已忘言。”（陶渊明）

木心说得好：“最好的东西总是让人快乐又伤心的，魏晋人夜听人吹笛，曰：奈何奈何？”

我觉得，最好的艺术也是这样。

学习艺术，就从我们天天接触的汉字开始，从诗词开始。

艺术是什么？

就是在你“欢笑情如旧，萧疏鬓已斑”（韦应物）的时候，能让你欲言又止，欲说还休，欲罢不能，欲走还留的表达方式。你以为你已经忙得不再需要这些东西，所以你觉得空虚，但是，总有一天，在你“一柱一弦思华年”的时候，会和你不期而遇，投回到你自己的内心，这时，你才知道不空虚不是呼朋引伴撩拨挑战，而是不因外物变化的寂然不动的心境。

一如“寂然凝虑，思接千载，悄焉动容，视通万里。吟咏之间，吐纳珠玉之声；眉睫之间，卷书风云之色”（《文心雕龙》）

汉字而组成的诗赋文采都把这些给涵盖了。

读你千遍也不厌倦，读你的感觉像春天……

前几天，看到了签约作者张铁钉写的一篇《我是这样在北京地铁被骗了一千块钱》的文章，勾起了我在新加坡旅游时被骗的回忆。今天写出来，希望能给大家提个醒，特别是提醒独自出行的女孩子，出门在外永远不要掉以轻心。

2016年春节前，为了实现我30岁前独自出国旅游的梦想，我将目光锁定在新加坡。原因很简单，新加坡一直是公认的最安全的国家。家人出于相同的原因，再想到我还是有几次出国旅游的经验，也算是比较痛快地同意了。我独自异国旅游的梦想，就这样实现了。

在新加坡的第一天，天气极好，行程一切顺利。正因如此，本来还有点的警惕心，也被我全部抛到脑后了。

第二天下午，我溜溜达达，欣赏沿途建筑，拍照外加自拍，享受着一个人的慢时光，心中很是惬意。

后来，我在一座名叫Cavenagh的桥前停了下来。向桥的对面望去，发现正是攻略上提及到的富丽敦酒店。这座酒店建于1928年，曾被用作邮政总局、外汇局、商会和新加坡俱乐部，现在算是世界顶级酒店。

我决定过桥去参观下这个有些历史来头的酒店。走到桥中央，我拿手机遥拍了一张酒店的外观照。就在这时，一位个子不高、穿着有些邋遢、斜跨个布包的男人走了过来。他很随意地说了句：“你在拍的这个酒店，是个豪华的老酒店，很多有钱人都住在那里呢。”

我完全没有多想，随口就应了一句：“哦，是吗？”

他一手拿着报纸，一手指着不远处的酒店：“你看，这个酒店是不是很漂亮？我和你说啊，原来在新加坡的很多华人都不识字不会写字，但他们还是想给家里写信报个平安，怎么办呢？这个酒店里面有个邮局，有人可以代写书信，所以好多华人就来这里找人代写家书。”

我当时没有一点戒备之心，听得还挺认真，甚至还在想象着他所说的那个场景是怎样的拥挤。

“现在这个酒店里面，还有个小邮局呢。我正好也要去那边办事，要不我带你去看看？”

现在回想起来，我对自己那时候的痴呆反应简直不可思议。就算我在北京，如果有人这样和我说，我都肯定是不会跟着去的。

可是我就像吃了迷魂药一样，竟然点点头答应了，和他一起往酒店方向走去。

一边走，他一边给我指这指那，俨然成为了我的私人导游。而脑子已经进水的我，也跟着他手指的方向东看西看，随手拍照。

也就是半分钟的路程，我们走进了酒店。这时，我有点反应过来了，我在心里问自己：你在干什么？你竟然跟着他进酒店，你是不是脑残了？

我有些害怕了，我想我要怎么摆脱他。一开始，我决定三十六计走为上计，但我转念又想，万一周围有他的同伙怎么办？万一他们把我围起来怎么办？我那时已是慌了阵脚，所以各种夸张的想法也都随之而来。

在我还没有想到万全之策时，他在一头卡通邮差熊前停下了，指着邮筒说：“就是这里了。你看，邮筒的后面就有那段历史的介绍。你念给叔叔听一听，让我来判断下你的英语水平。”

这时，我环顾了下四周，发现自己身边有几个金发碧眼的欧美人，大堂里也是人来人往，热闹非凡。我略微放下心，想到了那个最老套的招数：“我不会读英文。我得走了，我老公还在桥那边等我呢。”

他还是不甘心：“你念一段吧，就念一段。”

我想不出别的回答，还是那句话：“我得走了，我老公还在桥那边等我呢。我再不过去，他一会儿也要来找我了。”

可能是我的这个招数起了点儿作用，他决定离开了，和我谈起了条件：“小妹妹，你看，叔叔给你介绍了这么多，你给我10元钱吧。叔叔很饿，今天还没有吃东西。”

听到这里，我赶紧掏出了10新币，满脑子想得都是那四个字：破财免灾。他接过钱，还握了下我的手，道了声谢谢，转身疾步离开。

看他走远后，我一下就坐在了旁边的沙发上，这时我觉得自己的小心脏都快跳出来了。

我不停地问自己：你怎么能做出这么傻的事情？你怎么能跟着陌生的男人就走了？平时看的各种安全提示都被你中午当作奶茶喝进肚子里了吗？好在只是被骗了点儿钱，如果再倒霉些，估计你也就成为“新加坡永久居民”了。

平静了一会儿后，我离开了酒店。一路上漫无目的地走着，总回头看后面有没有人跟着，从我身边走过的每个路人也都被我贴上了坏人的标签。由于心情实在糟糕，加之天气也是阴沉沉的，以至于当我无意间走进鱼尾狮公园时，觉得鱼尾狮的样子也有些面目可憎。

毫无疑问，在后面三天的行程中，我一直保持着高度警惕，丝毫不敢掉以轻心。老天保佑，最终我毫发无伤地回到了北京。

以上，就是我在新加坡被骗的经历。

如果我是旁观者，看到这个被骗经历，一定是不屑一顾的表情，心想我才不会这么笨，才不会遇到这样的事情。

因为在此之前，我每次听到被骗的故事时，我基本都会觉得这样的事情不会发生在自己身上，总以为自己的警惕性会很高。结果，并非如此。

下面想给大家几个提醒，可能是老生常谈，但还是想说，特别是独自旅游的女生，一定要注意以下五点：

1、安全系数高的国家不代表这个国家就绝对安全。我想，我能如此糊里糊涂地被骗走10新币，可能骨子里就是认为新加坡是号称全世界最安全的国家，几乎放下了所有的戒备心。

2、面对陌生人的搭讪，不要接话，就是置之不理的态度，除非你有十足的把握。

3、不要总是把自拍杆拿在手里，因为这样基本就可以暴露你是一个人。

4、如果一个人去旅游，一定不要边走路边看手机。先不说交通安全问题，关键是你的注意力可能都会被手机分散了，遇到
突发情况时，脑子的反应都是慢半拍的。

5、做旅游计划时，除了多看景点和美食的攻略，多了解甚至熟记一些安全常识，绝对是必不可少的功课。

听别人被骗的故事与自己当被骗的主角，真的只有一步之遥。

出门在外，永远安全第一。

---

无戒21天写作训练营，第6天

9月3日，朝鲜又进行了第六次核试验，规模前所未有！如果再加上前几次导弹试验的话，朝鲜又朝着拥核前进了一大步：既有大当量的核弹头，又有中程以上的运载工具！

在外界的巨大压力之下，朝鲜为什么一次又一次地冒天下之大不韪发展核武呢？简单来说就是为了追求这种不对称手段来保护朝鲜的国家安全，保护金家政权的稳定。特别是在年轻的金正恩上台后，威信的降低使其更感不安全，在清除异己的同时，金正恩认为只有先军政治与核武器才能提振其在国内的威信，对外部敌对势力形成有效威慑。所以自其上台以来，朝鲜已进行了四次核试和数十次的导弹试验。

事情发展到这一地步，可以说朝鲜已在拥核的道路上走得太远，很难回头了。外界为阻其拥核所采取的所有应对措施基本无效：从联合国安理会日渐严苛的制裁到美国多次的军演施压，从中国倡导的多方和平谈判到韩国几届政府的阳光怀柔政策等，不是不起作用就是刺激其加快拥核步伐。

难道朝鲜真的无所畏惧吗？显然不是，虽然其国家正贫困交加，对制裁已具免疫功能，但它毕竞有其追求。如前文所述，如果让其真切感受到，再在拥核道路上前进就有可能遭到军事打击，后果可能是国破权失的话，朝鲜才有可能考虑停步或回头。这样的情形也曾出现过：今年初，当美国扬言多艘航母将派往半岛周边，摆出一副动武之势时，朝鲜的语调明显放低，且没有进行有威胁的导弹试射！

那么后来为什么朝鲜胆量又壮起来了呢？当然是朝鲜对国际形势评估的结果，它认为虽然美国不断发出对朝动武的声音，但囿于诸多因素制约，美国不会真的对朝动武。所以，近几个月来朝鲜的举动都是建立在不会受到武力打击的赌注之上。那么到底是那些因素使美国的动武的威慑失信了呢？草根哥认为主要有以下原因：

第一，美国的国内因素。首先，特朗普上台后，美国政策明显内收，其主要关注点在美国国内，尤其是重振美国经济方面；其次，由于特朗普的执政风格，美国国内出现了分裂动荡，反对特朗普的活动此起彼伏，耗费了特朗普的不少精力。再加上其执政团队的内讧及不断变化，有些政策至今还不稳定；再次，美国多次对外动武的效果不佳，至今阿富汉、伊拉克、利比亚及叙利亚问题都没有彻底解决，这些都会动摇特朗普再次对外开战的决心；最后，美国未必想彻底解决朝鲜问题，当然前提是朝鲜的核武对美本土威胁不大。这一问题的存在既可以牵制中俄，又可以控制日韩，如果这一问题解决，美国至少失去了一个在东北亚大规模驻军、布置反导武器的一个理由。

第二，韩国因素。虽然朝鲜对韩威胁较大，但韩国并不希望在半岛发生战争。主要因为：战争发生，朝鲜的主要进攻对象将会是韩国，因为韩国的大片领土都在朝鲜炮箭的射程之内，最后无论战果如何，韩国都有可能被打回到前现代时期；再者战火一开，朝鲜的难民也会流向韩国等周边国家；当然更可怕的还是朝鲜的核武器及核原料，一旦造成核泄露，后果不堪设想。所以，韩国成了当前东北亚最尴尬的国家，想借助于美国保护其安全，结果反而会导致其更不安全；不敢打，又谈不成；充当美国的先锋，又想靠中国发展经济……。其处境的实质是主权不完整！

第三，中俄因素。朝鲜在地缘上与中俄接壤，并在历史上有千丝万缕的联系，准确地说中俄（苏）都曾给朝鲜提供过安全保护。虽然当前中俄都希望半岛无核化，和平解决朝鲜核问题，并对金正恩的做法非常不满，但两国尤其是中国对朝鲜并没有外界所期盼的那种影响力。中俄反对在朝鲜半岛生战、生乱的态度是明确的，除了上述谈到的与韩国一样面临难民问题与核幅射问题之外，中俄也不希望整个半岛被美控制。因为当前美国的萨德反导系统布署在韩国已令中俄愤怒不己，如果再推进到朝鲜，其对中俄的威胁会更不可承受。

正是因为上述因素的存在，朝鲜才不惧威胁，在拥核的道路一路狂奔。因此，我们不能小瞧了朝鲜及其年轻的领导人，它虽然有点疯狂，但并没完全丧失理智而妄为，其对国际形势的审判还是比较准确的，至今中美俄三大国还真没有多少有效的办法来应对之。这一态势的发展方向大致有三条：

一是朝鲜的行为触动了三大国的底线，金政权结束，换政权或被韩国统一。代价是东北亚诸国都会受到较大影响；

二是金政权的的统治失控，朝鲜人民看到外面的阳光，自发推翻金家政权，成立新的政府，乐于对外交往。此方向代价较小；

三是朝鲜真正建立起核威慑，国际上失去动武的可能，只能与朝鲜谈判，接受朝鲜拥核事实，以援助换取朝鲜对核武的管控。这一方向可能会造成东亚地区的拥核多米诺效应，地区国家竞相拥有核武器，东北亚将永久处于核阴影之下。

Day2，即第二篇主要是讲一些偏计算的Library的使用，也就是numpy，scipy，sympy和matplotlib。

前言： 首先，非常感谢Jiang老师将其分享出来！本课件非常经典！ 经过笔者亲测，竟然确实只要三天，便可管中窥豹洞见Python及主要库的应用。实属难得诚意之作！ 其次，只是鉴于Jiang老师提供的原始课件用英文写成，而我作为Python的爱好者计算机英文又不太熟练，讲义看起来比较慢，为了提高自学课件的效率，故我花了点时间将其翻译成中文，以便将来自己快速复习用。 该版仅用于个人学习之用。 再次，译者因工作中需要用到数据分析、风险可视化与管理，因此学习python，翻译水平有限，请谅解。 在征得原作者Yupeng Jiang老师的同意后，现在我将中文版本分享给大家。  

作者：Dr.Yupeng Jiang

• 伦敦大学学院 数学系 (全球顶尖大学，世界排名第7 《2018QS世界大学排名》，英国第3名)
• 2016年6月5日
• [课件来自] https://zhuanlan.zhihu.com/p/21332075

翻译：Murphy Wan

大纲（ Outline）

• 第1天：Python和科学编程介绍。 Python中的基础知识：

  • 数据类型
  • 控制结构
  • 功能
  • I/O文件

• 第2天：用Numpy，Scipy，Matplotlib和其他模块进行计算。 用Python解决一些数学问题。

• 第3天：时间序列：用Pandas进行统计和实际数据分析。 随机和蒙特卡罗。

——————————以下为英文原文————————————-

• Day 1: Introduction to Python and scientific programming. Basics in Python: data type, contro structures, fu nctions, l/O file.
• Day 2: Computation with Numpy, Scipy, Matplotlib and other modules. Solving some maths problems with Python.
• Day 3: Time series: statistics and real data analysis with Pandas. Stochastics and Monte Carlo.

第二天的内容

Import modules

Numpy

Scipy

Matplotlib

Sympy

导入模块 (Import modules)

• 可以通过输入import关键字来导入模块

import numpy 

• 或者使用简称，即将模块通过as关键字来命名一个简称

import numpy as np 

• 有时您不必导入整个模块，就像

from scipy.stats import norm 

——————————以下为英文原文————————————-

• One can import a module by typing

import numpy 

• or for short by

2import numpy as np 

• Sometimes you do not have to import the whole module, like

from scipy.stats import norm 

练习 (Exercise)

• 尝试导入模块时间，并使用它来获取计算机运行特定代码所需的时间。

import timeit def funl (x, y):            return x**2 + y**3  t_start  =  timeit.default_timer() z =  funl(109.2, 367.1) t_end  =   timeit.default_timer()  cost  =  t_end -t_start print ( 'Time cost of funl is  %f' %cost) 

——————————以下为英文原文————————————-

• Try to import the module timeit and use it to obtain how long you computer takes to run a specific code.

import timeit def  funl (x, y):       return x**2 + y**3 t_start  =  timeit.default_timer() z =  funl(109.2, 367.1) t_end  =   timeit.default_timer() cost  =  t_end -t_start print ( 'Time cost of funl is  %f' %cost) 

我们会遇到的模块

• NumPy：多维数组的有效操作。 高效的数学函数。

• Matplotlib：可视化：2D和（最近）3D图

• SciPy：大型库实现各种数值算法，例如：

  • 线性和非线性方程的解
  • 优化
  • 数值整合

• Sympy：符号计算（解析的 Analytical）

• Pandas：统计与数据分析（明天）

——————————以下为英文原文————————————-

Modules we will encounter

• NumPy: Efficient manipulation of multidimensional arrays. Efficient mathematical functions.
• Matplotlib: Visualisations: 2D and (recently) 3D plots
• SciPy: Large library implementing various numerical algorithms, e.g.:
  • solution of linear and nonlinear equations
  • optimisation
  • numerical integration
• Sympy: Symbolic computation (Analytical).
• Pandas: Statistical and data analysis(tomorrow)

Numpy

ndarray类型

• NumPy提供了一种新的数据类型：ndarray（n维数组）。
  • 与元组和列表不同，数组只能存储相同类型的对象（例如只有floats或只有ints）
  • 这使得数组上的操作比列表快得多; 此外，阵列占用的内存少于列表。
  • 数组为列表索引机制提供强大的扩展。

——————————以下为英文原文————————————-

The ndarray type

• NumPy provides a new data type: ndarray (n-dimensional array).

  • Unlike tuples and lists, arrays can only store objects of the same type (e.g. only floats or only ints)
  • This makes operations on arrays much faster than on lists; in addition, arrays take less memory than lists.
  • Arrays provide powerful extensions to the list indexing mechanism.

创建ndarray

• 我们导入Numpy（在脚本的开头或终端）：

import numpy as np 

• 然后我们创建numpy数组：

In [1] : np.array([2, 3, 6, 7])    Out[l] : array([2, 3, 6, 7])    In [2] : np.array([2, 3, 6, 7.])    Out [2] :  array([ 2.,  3.,  6., 7.])  <- Hamogenaous    In  [3] :  np.array( [2,  3,  6,  7+ij])    Out [3] :  array([ 2.+O.j,  3.+O.j,  6.+O.j,  7.+1.j]) 

——————————以下为英文原文————————————-

Create the ndarray

• We import Numpy (at the beginning of the script or in the terminal):

import numpy as np 

• Then we create numpy arrays:

In [1] : np.array([2, 3, 6, 7])    Out[l] : array([2, 3, 6, 7])    In [2] : np.array([2, 3, 6, 7.])    Out [2] :  array([ 2.,  3.,  6., 7.])  <- Hamogenaous    In  [3] :  np.array( [2,  3,  6,  7+ij])    Out [3] :  array([ 2.+O.j,  3.+O.j,  6.+O.j,  7.+1.j]) 

创建均匀间隔的数组

• arange：

in[1]：np.arange（5） Out [l]：array（[0，1，2，3，4]） 

range(start, stop, step)的所有三个参数即起始值，结束值，步长都是可以用的 另外还有一个数据的dtype参数

  in[2]：np.arange（10，100，20，dtype = float）   Out [2]：array（[10.，30.，50.，70.，90.]） 

• linspace（start，stop，num）返回数字间隔均匀的样本，按区间[start，stop]计算：

  in[3]：np.linspace（0.，2.5，5）            Out [3]：array([0.，0.625，1.25，1.875，2.5])    

这在生成plots图表中非常有用。

• 注释：即从0开始，到2.5结束，然后分成5等份

多维数组矩阵 (Matrix by multidimensional array)

In [1] : a = np.array([[l, 2, 3]  [4, 5, 6]])                           ^ 第一行 (Row 1) In  [2] : a Out [2] : array([[l, 2,  3] ,   [4,  5,  6]])  In  [3] : a.shape  #<- 行、列数等 (Number of rows, columns etc.) Out [3] : (2,3)  In  [4] : a.ndim   #<- 维度数  (Number of dimensions) Out [4] : 2  In  [5] : a,size   #<- 元素数量 (Total number of elements) Out [5] : 6 

形状变化 (Shape changing)

import numpy as np  a = np .arange(0, 20, 1) ＃1维 b = a.reshape((4, 5))   ＃4行5列 c = a.reshape((20, 1))  ＃2维 d = a.reshape((-1, 4))  ＃-1：自动确定 ＃a.shape =(4, 5) ＃改变a的形状 

Size（N，），（N，1）和（1，N）是不同的!!!

• Size（N, ）表示数组是一维的。
• Size（N，1）表示数组是维数为2, N列和1行。
• Size（1，N）表示数组是维数为2, 1行和N列。

让我们看一个例子,如下

例子 (Example)

import numpy as np  a = np.array([1,2,3,4,5]) b = a.copy ()  c1 =  np.dot(np.transpose(a), b) print(c1) c2  = np.dot(a, np.transpose(b)) print(c2)  ax  =  np.reshape(a, (5,1)) bx  =  np.reshape(b, (1,5)) c = np.dot(ax, bx) print(c) 

使用完全相同的元素填充数组 (Filling arrays with identical elements)

In [1] : np.zeros(3)              # zero(),全0填充数组 Out[l] : array([ O., 0., 0.])  In [2] : np.zeros((2, 2), complex) Out[2] : array([[ 0.+0.j, 0.+0.j],                                 [ 0.+O.j, 0.+0.j]])  In [3] : np.ones((2, 3))          # ones(),全1填充数组 Out[3] : array([[ 1., 1., 1.],                 [ 1., 1., 1.]]) 

使用随机数字填充数组 (Filling arrays with random numbers)

• rand: 0和1之间均匀分布的随机数 (random numbers uniformly distributed between 0 and 1)

   In [1] : np.random.rand(2, 4)       Out[1] : array([[ 0.373767 , 0.24377115, 0.1050342 , 0.16582644] ,                     [ 0.31149806, 0.02596055, 0.42367316, 0.67975249l]) 

• randn: 均值为0，标准差为1的标准（高斯）正态分布 {standard normal (Gaussian) distribution with mean 0 and variance 1}

  In [2]: np.random.randn(2, 4)     Out[2]: array([[ O.87747152, 0.39977447, -0.83964985, -1.05129899],                   [-1.07933484, 0.49448873,   -1.32648606, -0.94193424]]) 

• 其他标准分布也可以使用 (Other standard distributions are also available.)

数组切片（1D） (Array sliciing(1D))

• 以格式start：stop可以用来提取数组的片段（从开始到不包括stop）

In [77]：a = np.array（[0，1，2，3，4]） Out[77]：array（[0，1，2，3，4]）  In [78]：a [1：3]        #<--index从0开始 ,所以1是第二个数字，即对应1到3结束，就是到第三个数字，对应是2 Out[78]：array([1，2]) 

• start可以省略，在这种情况下，它被设置为零(Notes:貌似留空更合适)：

In [79]：a [:3] Out[79]：array（[0，1，2]） 

• stop也可以省略，在这种情况下它被设置为数组长度：

In [80]：a [1：] Out[80]：array（[1，2，3，4]） 

• 也可以使用负指数，具有标准含义：

In [81]：a [1：-1] Out[81]：array（[1,2,3]）      # <-- stop为-1表示倒数第二个数 

数组切片（1D）

• 整个数组：a或a [：]

In [77]：a = np.array（[0,1,2,3,4]） Out[77]：array（[0，1，2，3，4]) 

• 要获取，例如每个其他元素，您可以在第二个冒号后面指定第三个数字（步骤(step)）：

In [79]：a [：：2] Out[79]：array（[0，2，4]）   In [80]：a [1：4：2] Out[80]：array（[l，3]） 

• -1的这个步骤可用于反转数组：

In [81]：a [::-1] Out[81]：array（[4，3，2，1，0]） 

数组索引(2D) （Array indexing (2D)）

• 对于多维数组，索引是整数元组：(For multidimensional arrays, indices are tuples of integers:)

In [93] :  a = np.arange(12) ; a.shape =  (3,  4);  a Out[93] :  array([[0,  1,  2,  3],                   [4,  5,  6,  7],                   [8, 9,  10, 11]])  In [94] : a[1,2] Out[94] : 6  In [95] : a[1,-1] Out[95] : 7 

数组切片（2D）：单行和列 (Array slicing (2D): single rows and columns)

• 索引的工作与列表完全相同：（Indexing works exactly like for lists:）

In [96] : a = np.arange(12); a.shape = (3, 4); a    Out[96] : array([[0, 1, 2, 3],                  [4, 5, 6, 7],                  [8, 9,10,11]])  In [97] : a[:,1] Out[97] : array([1,5,9])  In [98] : a[2,:] Out[98] : array([ 8, 9, 10, 11])  In [99] : a[1][2] Out[99] : 6 

• 不必明确提供尾随的冒号：（Trailing colons need not be given explicitly:）

In [100] : a[2] Out[100] : array([8,9,10,11])  

数组索引 (Array indexing)

 >>> a[0,3:5] array( [3,4] )  >>> a[4:,4:] array([[44, 45],         [54, 55]])  >>> a[:,2] array([2,12,22,32,42,52])  >>> a[2: :2, ::2] array([[20, 22, 24]               [40, 42, 44]])  

副本（copy）和视图（view）

• 采用标准的list切片为其建立副本
• 采用一个NumPy数组的切片可以在原始数组中创建一个视图。 两个数组都指向相同的内存。因此，当修改视图时，原始数组也被修改：

In [30] : a = np.arange(5); a Out[30] : array([0, 1, 2, 3, 4])  In [31] : b = a[2:]; b Out[31] : array([2, 3, 4])  In [32] : b[0] = 100 In [33] : b  Out[33] : array([l00, 3, 4]) In [34] : a Out[34] : array([0,1,100,3,4]) 

副本和视图 (Copies and views)

• 为避免修改原始数组，可以制作一个切片的副本 (To avoid modifying the original array, one can make a copy of a slice:)

In [30] : a = np.arange(5); a Out[30] : array([0, 1, 2, 3, 4])  In [31] : b = a[2:].copy(); b Out[31] : array([2, 3, 4])  In [32] : b[0] = 100 In [33] : b Out[33] : array([1OO, 3, 4])  In [34] : a  Out[34] : array([ 0,  1.  2,  3,  4])  

矩阵乘法 (Matrix multiplication)

• 运算符 * 表示元素乘法，而不是矩阵乘法：(The * operator represents elementwise multiplication , not matrix multiplication:)

 In [1]: A = np.array([[1, 2],[3, 4]]) In [2]: A Out[2]: array([[1, 2],                [3, 4]])  In [3]: A * A Out[3]: array([[1, 4],                [9, 16]])             

• 使用dot（）函数进行矩阵乘法：(Matrix multiplication is done with the dot() function:)

 In [4]: np.dot(A, A) Out[4]: array([[ 7, 10],                    [15, 22]])   

矩阵乘法

• dot（）方法也适用于矩阵向量(matrix-vector)乘法：

 In [1]: A Out[1]: array([[1, 2],[3, 4]])  In [2]: x = np.array([10, 20]) In [3]: np.dot(A, x) Out[3]: array([ 50, 110])  In [4]: np.dot(x, A) Out[4]: array([ 70, 100])  

将数组保存到文件 (Saving arrays to files)

• savetxt()将表保存到文本文件。 (savetxt() saves a table to a text file.)

In  [1]: a = np,linspace(0. 1, 12); a,shape ' (3, 4); a Out [1] : array([[ O.  ,  0.09090909, 0.18181818,  0.27272727], [  0.36363636,  0.45454545, 0.54545455,  0.63636364], [  0.72727273,  0.81818182. 0.90909091,  1.]])  In [2] : np.savetxt("myfile.txt", a) 

• 其他可用的格式(参见API文档) {Other formats of file are available (see documentation)}

• save()将表保存为Numpy“.npy”格式的二进制文件 (save() saves a table to a binary file in NumPy “.npy” format.)

  - In [3] : np.save("myfile" ,a)     

• 生成一个二进制文件myfile .npy，其中包含一个可以使用np.load（）加载的文件。 {produces a binary file myfile .npy that contains a and that can be loaded with np.load().}

将文本文件读入数组 (Reading text files into arrays)

• loadtxt（）将以文本文件存储的表读入数组。 (loadtxt() reads a table stored as a text file into an array.)

• 默认情况下，loadtxt()假定列是用空格分隔的。 您可以通过修改可选的参数进行更改。 以散列（＃）开头的行将被忽略。 (By default, loadtxt() assumes that columns are separated with whitespace. You can change this by modifying optional parameters. Lines starting with hashes (#) are ignored.)

• 示例文本文件data.txt： (Example text file data.txt:)

  |Year| Min temp.| Hax temp.|

  |1990| -1.5 | 25.3|

  |1991| -3.2| 21.2|

• Code:

   In [1] : tabla = np.loadtxt("data.txt")    In [2] : table    Out[2] :    array ([[ 1.99000000e+03,   -1.50000000e+00,   2.53000000e+01],        [ 1.9910000e+03,  -3.2000000e+00,  2.12000000e+01]  

Numpy包含更高效率的功能

• Numpy包含许多常用的数学函数，例如：

  • np.log
  • np.maximum
  • np.sin
  • np.exp
  • np.abs

• 在大多数情况下，Numpy函数比Math包中的类似函数更有效，特别是对于大规模数据。

Scipy (库)

SciPy的结构

• scipy.integrate – >积分和普通微分方程
• scipy.linalg – >线性代数
• scipy.ndimage – >图像处理
• scipy.optimize – >优化和根查找(root finding)
• scipy.special – >特殊功能
• scipy.stats – >统计功能
• …

要加载一个特定的模块，请这样使用, 例如 :

• from scipy import linalg

线性代数 (Linearalgebra)

• 线性方程的解 (Solution of linear equations:)

 import numpy as np from scipy import linalg      A = np.random.randn(5, 5) b = np.random.randn(5) x = linalg.solve(A, b)     # A x = b#print(x)     eigen = linalg.eig(A)     # eigens#print(eigen)     det = linalg.det(A)     # determinant     print(det)              

• linalg的其他有用的方法：eig()（特征值和特征向量），det()（行列式）。{Other useful functions from linalg: eig() (eigenvalues and eigenvectors), det() (determinant). }

数值整合 (Numerical integration)

• integration.quad是一维积分的自适应数值积分的函数。 (integrate.quad is a function for adaptive numerical quadrature of one-dimensional integrals.)

 import numpy as np from scipy import integrate  def fun(x):     return np.log(x)  value, error = integrate.quad(fun,0,1) print(value) print(error)  

用Scipy进行统计 (Statistics in Scipy)

• scipy具有用于统计功能的子库，您可以导入它 (scipy has a sub-library for statistical functions, you can import it by)

from scipy import stats 

• 然后您可以使用一些有用的统计功能。 例如，给出标准正态分布的累积密度函数（Then you are able to use some useful statistical function. For example, the cummulative density function of a standard normal distribution is given like

• 这个包，我们可以直接使用它，如下: （with this package, we can directly use it like)

from scipy import stats y = stats.norm.cdf(1.2) 

优化：数据拟合 (Optimisation: Data fitting)

 import numpy as np from scipy.optimize import curve_fit import matplotlib.pyplot as plt  def func(x, a, b, c):         return a * np.exp(-b * x) + c  x = np.linspace(0, 4, 50) y = func(x, 2.5, 1.3, 0.5) ydata = y+0.2*np.random.normal(size=len(x)) popt, pcov = curve_fit(func, x, ydata) plt.plot(x, ydata, ’b*’) plt.plot(x, func(x, popt[0], /                      popt[1], popt[2]), ’r-’) plt.title(’$f(x)=ae^{-bx}+c$ curve fitting’)  

优化:根搜索 (Optimisation: Root searching)

 import numpy as np from scipy import optimize  def fun(x):     return np.exp(np.exp(x)) - x**2  # 通过初始化点0，找到兴趣0 (find zero of fun with initial point 0) # 通过Newton-Raphson方法 (by Newton-Raphson) value1 = optimize.newton(fun, 0)  # 通过二分法找到介于(-5,5)之间的 (find zero between (-5,5) by bisection) value2 = optimize.bisect(fun, -5, 5)  

Matplotlib

最简单的制图 (The simplest plot)

• 导入库需要添加以下内容

 from matplotlib import pyplot as plt  

• 为了绘制一个函数，我们操作如下 (To plot a function, we do:)

 import numpy as np import matplotlib.pyplot as plt  x = np.linspace(0, 10, 201) #y = x ** 0.5 #plt.plot(x, y) # default plot plt.figure(figsize = (3, 3)) # new fig plt.plot(x, x**0.3, ’r--’) # red dashed plt.plot(x, x-1, ’k-’) # continue plot plt.plot(x, np.zeros_like(x), ’k-’)  

• 注意：您的x轴在plt.plot函数中应与y轴的尺寸相同。 (Note: Your x-axis should be the same dimension to y-axis in plt.plot function.)

多个制图图例标签和标题 (Mu
ltiple plotting, legends, labels and title)

 import numpy as np import matplotlib.pyplot as plt  x = np.linspace(0, 10, 201) plt.figure(figsize = (4, 4)) for n in range(2, 5):     y = x ** (1 / n)     plt.plot(x, y, label=’x^(1/’ /             + str(n) + ’)’) plt.legend(loc = ’best’) plt.xlabel(’X axis’) plt.ylabel(’Y axis’) plt.xlim(-2, 10) plt.title(’Multi-plot e.g. ’, fontsize = 18)  

• Forinformations:See

 help(plt.plot)    

绘制子图 (Subplots )

 import numpy as np’ import matplotlib.pyplot as plt  def pffcall(S, K):         return np.maximum(S - K, 0.0) def pffput(S, K):     return np.maximum(K - S, 0.0)      S = np.linspace(50, 151, 100) fig = plt.figure(figsize=(12, 6))    sub1 = fig.add_subplot(121)     # col, row, num     sub1.set_title('Call', fontsize = 18) plt.plot(S, pffcall(S, 100), 'r-', lw = 4) plt.plot(S, np.zeros_like(S), 'black',lw = 1) sub1.grid(True) sub1.set_xlim([60, 120]) sub1.set_ylim([-10, 40])      sub2 = fig.add_subplot(122) sub2.set_title('Put', fontsize = 18) plt.plot(S, pffput(S, 100), 'r-', lw = 4) plt.plot(S, np.zeros_like(S), 'black',lw = 1) sub2.grid(True) sub2.set_xlim([60, 120]) sub2.set_ylim([-10, 40])    

• Figure: 一个子图的例子
  (注释：这里，可以把Figure，即fig理解为一张大画布，你把它分成了两个子区域(sub1和sub2)，然后在每个子区域各画了一幅图。)

在绘制的图上添加文本和注释 (Adding texts to plots)

 import numpy as np from scipy.stats import norm import matplotlib.pyplot as plt  def call(S, K=100, T=0.5, vol=0.6, r=0.05):     d1 = (np.log(S/K) + (r + 0.5 * vol**2) /           *T) / np.sqrt(T) / vol     d2 = (np.log(S/K) + (r - 0.5 * vol**2) /           *T) / np.sqrt(T) / vol     return S * norm.cdf(d1) - K * /     np.exp(-r * T) * norm.cdf(d2)  def delta(S, K=100, T=0.5, vol=0.6, r=0.05):     d1 = (np.log(S/K) + (r + 0.5 * vol**2)/           *T) / np.sqrt(T) / vol     return norm.cdf(d1)  

(Code continues:)

 S = np.linspace(40, 161, 100) fig = plt.figure(figsize=(7, 6)) ax = fig.add_subplot(111) plt.plot(S,(call(S)-call(100)),’r’,lw=1) plt.plot(100, 0, ’ro’, lw=1) plt.plot(S,np.zeros_like(S), ’black’, lw = 1) plt.plot(S,call(S)-delta(100)*S- /     (call(100)-delta(100)*100), ’y’, lw = 1)  

(Code continues:)

 ax.annotate(’$/Delta$ hedge’, xy=(100, 0), /             xytext=(110, -10),arrowprops= /             dict(headwidth =3,width = 0.5, /             facecolor=’black’, shrink=0.05)) ax.annotate(’Original call’, xy= /             (120,call(120)-call(100)),xytext/             =(130,call(120)-call(100)),/             arrowprops=dict(headwidth =10,/             width = 3, facecolor=’cyan’, /             shrink=0.05)) plt.grid(True) plt.xlim(40, 160) plt.xlabel(’Stock price’, fontsize = 18) plt.ylabel(’Profits’, fontsize = 18)  

两个变量的函数3D制图（3D plot of a function with 2 variables）

 import numpy as np import matplotlib.pyplot as plt from matplotlib import cm from mpl_toolkits.mplot3d import Axes3D  x, y = np.mgrid[-5:5:100j, -5:5:100j] z = x**2 + y**2 fig = plt.figure(figsize=(8, 6)) ax = plt.axes(projection='3d') surf = ax.plot_surface(x, y, z, rstride=1,/                        cmap=cm.coolwarm, cstride=1, /                        linewidth=0) fig.colorbar(surf, shrink=0.5, aspect=5) plt.title('3D plot of $z = x^2 + y^2$')  

实验3:atplotlib (Lab 3: Matplotlib)

• 用蓝线绘制以下函数 (Plot the following function with blue line)

  

  3days_img017_1.jpg

  • 然后用红点标记坐标（1,2） (Then mark the coordinate (1, 2) with a red point.)

• 使用np.linspace()使t ∈ [0，2π]。 然后给 (Use np.linspace0 to make t ∈ [0，2π]. Then give)

• 针对X绘Y。 在这个情节中添加一个称为“Heart”的标题。 (Plot y against x. Add a title to this plot which is called “Heart” .)

• 针对x∈[-10,10], y∈[-10,10], 绘制3D函数 (Plot the 3D function for x∈[-10,10], y∈[-10,10])

  

  3days_img017_3.jpg

Sympy

符号计算 (Symbolic computation)

• 到目前为止，我们只考虑了数值计算。 (So far, we only considered the numerical computation.)

• Python也可以通过模块表征进行符号计算。(Python can also work with symbolic computation via module sympy.)

• 符号计算可用于计算方程，积分等的显式解。 (Symbolic computation can be useful for calculating explicit solutions to equations, integrations and so on.)

声明一个符号变量 (Declare a symbol variable)

 import sympy as sy  #声明x，y为变量 x = sy.Symbol('x') y = sy.Symbol('y') a, b = sy.symbols('a b')  #创建一个新符号（不是函数 f = x**2 + 2 - 2*x + x**2 -1 print(f) #自动简化 g = x**2 + 2 - 2*x + x**2 -1 print(g) 

符号的使用1：求解方程 (Use of symbol 1: Solve equations)

 import sympy as sy  x  = sy.Symbol ('x') y  = sy.Symbol('y')  # 给定[-1,1]  (give [-1, 1]) print(sy.solve
(x**2 - 1))  # 不能证解决 (no guarantee for solution) print(sy.solve(x**3  +  0.5*x**2 - 1))  # 用x的表达式表示y     (exepress x in terms of y) print (sy.solve(x**3  +  y**2))  # 错误：找不到算法 (error:  no  algorithm  can  be  found) print(sy.solve(x**x + 2*x - 1)) 

符号的使用2：集成 (Use of symbol 2: Integration)

import sympy as sy  x = sy.Symbol('x') y = sy.Symbol( 'y') b = sy.symbols ( 'a b')  # 单变量 single  variable f = sy.sin(x) + sy.exp(x) print(sy.integrate(f, (x,  a,  b))) print(sy.integrate(f, (x,  1,  2))) print(sy.integrate(f, (x,  1.0,2.0))) # 多变量 multi variables g = sy.exp(x) + x * sy.sin(y) print(sy.integrate(g, (y,a,b))) 

符号的使用3：分化 (Use of symbol 3: Differentiation)

import sympy as sy x =  sy.Symbol( 'x') y =  sy.Symbol( 'y') # 单变量 (single variable) f = sy.cos(x) + x**x print(sy . diff (f ,  x)) #  多变量  (multi variables) g = sy.cos(y) * x + sy.log(y) print(sy.diff (g,  y)) 

 第二天结束，辛苦了  

一

有位西方的发展学者说：贫穷是一种生活方式。言下之意是说，有些人受穷，是因为他不想富裕。这句话是作为一种惊世骇俗的观点提出的，但我狭隘的人生经历却证明此话大有道理。对于这句话还可以充分地推广：贫困是一种生活方式，富裕是另一种生活方式；追求聪明是一种人生的态度，追求愚蠢则是另一种生活态度。在这个世界上，有一些人在追求快乐，另一些人在追求痛苦；有些人在追求聪明，另一些人在追求愚蠢。这种情形常常能把人彻底搞糊涂。

洛克先生以为，人人都追求快乐，这是不言自明的。以此为基础，他建立了自己的哲学大厦。斯宾诺莎也说，人类行为的原动力是自我保存。作为一个非专业的读者，我认为这是同一类的东西，认为人趋利而避害，趋乐而避苦，这是伦理学的根基。以此为基础，一切都很明白。相比之下，我们民族的文化传统大不相同，认为礼高于利，义又高于生，这样就创造了一种比较复杂的伦理学。由此产生了一个矛盾，到底该从利害的角度来定义崇高，还是另有一种先验的东西，叫做崇高–举例来说，孟子认为，人皆有恻隐之心，这是人先天的良知良能，这就是崇高的根基。我也不怕人说我是民族虚无主义，反正我以为前一种想法更对。从前一种想法里产生富裕，从后一种想法里产生贫困；从前一种想法里产生的总是快乐，从后一种想法里产生的总是痛苦。我坚定不移地认为，前一种想法就叫做聪明，后一种想法就叫做愚蠢。笔者在大学里学的是理科，凭这样的学问底子，自然难以和专业哲学家理论，但我还是以为，这些话不能不说。

对于人人都追求快乐这个不言自明的道理罗素却以为不尽然，他举受虐狂作为反例。当然，受虐狂在人口中只占极少数。但是受虐却不是罕见的品行。七十年代，笔者在农村插队，在学大寨的口号鞭策下，劳动的强度早已超过了人力所能忍受的极限，但那些工作却是一点价值也没有的。对于这些活计，老乡们概括得最对：没别的，就是要给人找些罪来受。但队干部和积极分子们却乐此不疲，干得起码是不比别人少。学大寨的结果是使大家变得更加贫穷。道理很简单：人干了艰苦的工作之后，就变得很能吃，而地里又没有多长出任何可吃的东西。这个例子说明，人人都有所追求，这个道理是不错的，但追求的却可以是任何东西：你总不好说任何东西都是快乐吧。

二

人应该追求智慧，这对西方人来说是很容易接受的道理；苏格拉底甚至把求知和行善画上了等号。但是中国人却说”难得糊涂”，仿佛是希望自己变得笨一点。在我身上，追求智慧的冲动比追求快乐的冲动还要强烈，因为这个原故，在我年轻时，总是个问题青年、思想改造的重点对象。我是这么理解这件事的：别人希望我变得笨一些。谢天谢地，他们没有成功。人应该改变自己，变成某种样子，这大概是没有疑问的。有疑问的只是应该变聪明还是变笨。像这样的问题还能举出一大堆，比方说，人（尤其是女人）应该更漂亮、更性感一些，还是更难看、让人倒胃一些；对别人应该更粗暴、更野蛮一些，还是更有礼貌一些；等等。假如你经历过中国的七十年代，就会明白，在生活的每一个方面，都有不同的答案。你也许会说，每个国家都有自己的国情，每个时代都有自己的风尚，但我对这种话从来就不信。我更相信乔治·奥威尔的话：一切的关键就在于必须承认一加一等于二；弄明白了这一点，其他一切全会迎刃而解。

我相信洛克的理论。人活在世上，趋利趋乐暂且不说，首先是应该避苦避害。这种信念来自我的人生经验：我年轻时在插队，南方北方都插过。谁要是有同样的经历就会同意，为了谋生，人所面临的最大任务是必须搬动大量沉重的物质：这些物质有时是水，有时是粪土，有时是建筑材料，等等。到七十年代中期为止，在中国南方，解决前述问题的基本答案是：一根扁担。在中国的北方则是一辆小车。我本人以为，这两个方案都愚不可及。在前一个方案之下，自肩膀至脚跟，你的每一寸肌肉、每一寸骨骼都在百十公斤重物的压迫之下，会给你带来腰疼病、腿疼病。后一种方案比前种方案强点不多，虽然车轮承担了重负，但车上的重物也因此更多。假如是往山上推的话，比挑着还要命。西方早就有人在解决这类问题，先有阿基米德，后有牛顿。卡特，所以在一二百年前就把这问题解决了。而在我们中国，到现在也没解决。你或者会以为，西方文明有这么一点小长处，善于解决这种问题，但我以为这是不对的。主要的因素是感情问题。、西方人以为，人的主要情感源于自身，所以就重视解决肉体的痛苦。中国人以为，人的主要情感是亲亲敬长，就不重视这种问题。这两种想法哪种更对？当然是前者。现在还有人说，西方人纲常败坏，过着痛苦的生活–这种说法是昧良心的。西方生活我见过，东方的生活我也见过。西方人儿女可能会吸毒，婚姻可能会破裂，总不会早上吃两片白薯干，中午吃两片白薯干，晚上再吃两片白薯干，就去挑一天担子，推一天的重车！从孔孟到如今，中国的哲学家从来不挑担、不推车。所以他们的智慧从不考虑降低肉体的痛苦，专门营造站着说话不腰疼的理论。

三

在西方人看来，人所受的苦和累可以减少，这是一切的基础。假设某人做出一份牺牲，可以给自己或他人带来很多幸福，这就是崇高–洛克就是这么说的。孟子不是这么说，他的崇高另有根基，远不像洛克的理论那么能服人。据我所知，孟子远不是个笨蛋。除了良知良能，他还另有说法。他说反对他意见的人（杨朱、墨子）都是禽兽。由此得出了崇高的定义：有种东西，我们说它是崇高，是因为反对它的人都不崇高。这个定义一直沿用到了如今。细想起来，我觉得这是一种模糊不清的混蛋逻辑，还不如直说凡不同意我意见者都是王八蛋为好。总而言之，这种古怪的论证方式时常可以碰到。

在七十年代，发生了这样一回事：河里发大水，冲走了一根国家的电线杆。有位知青下水去追，电杆没捞上来，人也淹死了。这位知青受到表彰，成了革命烈士。这件事引起了一点小小的困惑：我们知青的一条命，到底抵不抵得上一根木头？结果是困惑的人惨遭批判，结论是：国家的一根稻草落下水也要去追。至于说知青的命比不上一根稻草，人家也没这么说。他们只说，算计自己的命值点什么，这种想法本身就不崇高。坦白地说，我就是困惑者之一。现在有种说法，以为民族的和传统的就是崇高的。我知道它的论据：因为反民族和反传统的人很不崇高。但这种论点吓不倒我。

四

过去欧洲有个小岛，岛上是苦役犯服刑之处。犯人每天的工作是从岛东面挑起满满的一挑水，走过崎岖的山道，到岛西面倒掉。这岛的东面是地中海，水从地中海里汲来。西面也是地中海，这担水还要倒回地中海去。既然都是地中海，所以是通着的。我想，倒在西面的水最终还要流回东面去。无价值的吃苦和无代价的牺牲大体就是这样的事。有人会说，这种劳动并非毫无意义，可以陶冶犯人的情操、提升犯人
的灵魂；而有些人会立刻表示赞成，这些人就是那些岛上的犯人–我听说这岛上的看守手里拿着鞭子，很会打人。根据我对人性的理解，就是离开了那座岛屿，也有人会保持这种观点。假如不是这样，劳动改造就没有收到效果。在这种情况下，人性就被逆转了。

从这个例子来看，要逆转人性，必须有两个因素：无价值的劳动和暴力的威胁，两个因素缺一不可。人性被逆转之后，他也就糊涂了。费这么大劲把人搞糊涂有什么好处，我就不知道，但想必是有的，否则不会有这么个岛。细想起来，我们民族的传统文化里就包含了这种东西。举个例子来说，朝廷的礼节。见皇上要三磕九叩、扬尘舞蹈，这套把戏耍起来很吃力，而且不会带来任何收益，显然是种无代价的劳动。但皇上可以廷杖臣子，不老实的马上拉下去打板子。有了这两个因素，这套把戏就可以耍下去，把封建士大夫的脑子搞得很糊涂。回想七十年代，当时学大寨和抓阶级斗争总是一块搞的，这样两个因素就凑齐了。我下乡时，和父老乡亲们在一起。我很爱他们，但也不能不说：他们早就被逆转了。我经历了这一切，脑子还是不糊涂，还知道一加一等于二，这只说明一件事：要逆转人性，还要有第三个因素，那就是人性的脆弱。

五

我认为七十年代是我们宝贵的精神财富，这个看法和一些同龄人是一样的。七十年代的青年和现在的青年很不一样，更热情、更单纯、更守纪律、对生活的要求更低，而且更加倒霉。成为这些人中的一员，是一种极难得的际遇，这些感受和别人是一样的。有些人认为这种经历是一种崇高的感受，我就断然反对，而且认为这种想法是病态的。让我们像奥威尔一样，想想什么是一加一等于二，七十年代对于大多数中国人来说，是个极痛苦的年代。很多年轻人做出了巨大的自我牺牲，而且这种牺牲毫无价值。想清楚了这些事，我们再来谈谈崇高的问题。就七十年代这个例子来说，我认为崇高有两种：一种是当时的崇高，领导上号召我们到农村去吃苦，说这是一种光荣。还有一种崇高是现在的崇高，忍受了这些痛苦、做出了自我牺牲之后，我们自己觉得这是崇高的。我觉得这后一种崇高比较容易讲清楚。弗洛伊德对受虐狂有如下的解释：假如人生活在一种无力改变的痛苦之中，就会转而爱上这种痛苦，把它视为一种快乐，以便使自己好过一些。对这个道理稍加推广，就会想到：人是一种会自己骗自己的动物。我们吃了很多无益的苦，虚掷了不少年华，所以有人就想说，这种经历是崇高的。这种想法可以使他自己好过一些，所以它有些好作用。很不幸的是它还有些坏作用：有些人就据此认为，人必须吃一些无益的苦、虚掷一些年华，用这种方法来达到崇高。这种想法不仅有害，而且是有病。

说到吃苦、牺牲，我认为它是负面的事件。吃苦必须有收益，牺牲必须有代价，这些都属一加一等于二的范畴。我个人认为，我在七十年代吃的苦、做出的牺牲是无价值的，所以这种经历谈不上崇高；这不是为了贬低自己，而是为了对现在和未来发生的事件有个清醒的评价。逻辑学家指出，从正确的前提能够推导出正确的结论，但从一个错误的前提就什么都能够推导出来。把无价值的牺牲看作崇高，也就是接受了一个错误的前提。此后你就会什么鬼话都能说出口来，什么不可信的事都肯信–这种状态正确的称呼叫做”糊涂”。人的本性是不喜欢犯错误的，所以想把他搞糊涂，就必须让他吃很多的苦–所以糊涂也很难得呀。因为人性不总是那么脆弱，所以糊涂才难得。经过了七十年代，有些人对人世间的把戏看得更清楚，他就是变得更聪明。有些人对人世间的把戏更看不懂了，他就是变得更糊涂。不管发生了哪种情况，七十年代都是我们的宝贵财富。

六

我要说出我的结论

中国人一直生活在一种有害哲学的影响之下，孔孟程朱编出了这套东西，完全是因为他们在社会的上层生活。假如从整个人类来考虑问题，早就会发现，趋利避害，直截了当地解决实际问题最重要–说实话，中国人在这方面已经很不像样了–这不是什么哲学的思辨，而是我的生活经验。我们的社会里，必须有改变物质生活的原动力，这样才能把未来的命脉握在自己的手里。

---

如果她涉世未深，则带她看尽世间繁华；若她心已沧桑，则带她去做旋转木马。如果他涉世未深，你就宽衣解带；如果他阅人无数，你就炉边灶台。

看了网上大多数的评论，几乎清一色的都是反对的声音。

我先给大家分析下这个案例，也许会带给你不一样的看法：

1.年龄差并不是关键

其实年龄相差41岁并不是关键，人家82岁杨振宁和28岁的翁虹还相差更多呢。以41岁的年龄差来说，一个81岁男人和40岁女人在一起，大家也不至于诟病的如此强烈。问题关键在于：女主20岁。她的年龄基数太小，所以会造成一种“老牛吃嫩草”的现象。而人们向来都有怜香惜玉的本性，看到小萝莉被“玷污”，于是纷纷爆炸。

2.看脸才是王道

从这个角度来说，李坤城真是欲哭无泪。嬉皮笑脸和大黄牙，加上台湾这个敏感地区和音乐人这个艺术性的职业，怎么看来都像一位为老不尊的浪子，也难怪被人灌上“猥琐”的标签。倘若爷爷换做吴秀波或者陈道明的长相，估计风头也会减弱不少。

3.爷爷能力尚未达到他的名气

一个好玩的现象，刘强东和奶茶妹妹在一起的时候，所有人都谩骂奶茶妹妹拜金虚荣，是她往上贴，很少有人骂刘强东；郭富城和方媛在一起的时候，所有人都指责方媛，很少有人骂郭富城。

老夫少妻的组合很常见，基本绝大多数都是指责女方。但是这次，爷爷李坤城却成了众矢之的，最多顺带指责下女方年纪小不懂事罢了。严格来说，作为一个大陆人，我并不太知道他有什么代表作，仅仅是从这次爷孙恋的舆论中了解（可能是我孤陋寡闻）。所以会给你造成一种，这就是个登徒浪子的感觉。

演艺圈这种情况非常普遍，长得漂亮的女明星很多。但是招骂的往往是没有演技只有美貌的花瓶，毕竟能力还是第一位的。

退一万步，王思聪玩弄众多网红女人，大家只会说一声有钱任性；如果是穷屌丝还玩弄女人感情，那真是千夫所指了。

我们先把偏见放到一边，抛开人设本身再认真看待这场爷孙恋。

爷孙恋合理吗？

在外国，老夫少妻早就习以为常，哪里都有牵着年轻女孩的手的老头子。可是中国的风俗不一样，更加偏向于传统。所以这种不为主流所认可的，自然饱受诟病。

说到底，这一场不大不小的纷争，其实就是中国传统和西方思维模式的一场碰撞。中西方的文化有着其截然不同的历史，所以一些行为上的差异我们也足够能够理解。

从目前中国的国情来说，爷孙恋还是一场禁忌，真爱也受到条条框框的制约。甭说是不是爷孙恋，就算是同性恋也没有彻底普及到让每个人都支持。这种尚未被大众认可的恋情，前进之路注定任重而道远。

虽然我不支持你的做法，但是我能够理解你们的真心。

01

没错，这是一个有点悲伤的爱情故事。故事的男主角叫盐酸，女主角叫氯化钠。是不是，你也觉得有点熟悉？嗯，就是你认识的那瓶盐酸以及那瓶氯化钠。

当然了，故事依然发生在实验室。

盐酸说，我注意她很久了。

隔着两个实验台，他眼神倒是蛮凌厉的。最初，他只是觉得她长得很白，他对长得白的女生毫无抵抗力，所以他的两个前女友，一个叫碳酸钙，一个叫氢氧化钠。关于前任的故事，我们稍后再讲。

但慢慢地，他发现了氯化钠更多的优点，比如用处很多，比如很受欢迎。她出现在很多个化学反应里，有时候也在处理实验样品的时候帮忙把有机相和水相分开。所以她每天忙碌又充实地生活着，频繁出现在实验员小张的手里。

甚至连人类的一日三餐也离不开她，这让盐酸对氯化钠的感觉从喜欢变成了仰慕。

他就这样每天隔着两张实验台的距离默默望着她，看着她幸福地忙碌，却从未有勇气上前打声招呼。他喜欢她，只是不再敢爱她。为什么呢？这就要提一提跟前任有关的故事了。

02

盐酸的第一任女朋友叫碳酸钙，脾气有点火爆，但其实是真心爱他。他们是彼此的初恋，却用一段不长不短的感情验证了人类的那句话：初恋根本不懂爱情。碳酸钙是典型的少女玻璃心性格，一言不合就要吵，吵完架来再和好。每一次争吵，碳酸钙都会先说一句“真是气死我了”，然后和盐酸之间不可避免地发生一场化学反应，以消耗彼此的质量而释放气体二氧化碳收场。

直到他们渐渐各自消瘦，也着实疲于开战，碳酸钙终于开口说，不然我们分手吧，这么耗下去对你我都是一种折磨。

他们最后一次坐在一起平静地聊天，细数过往，却发现曾经为之争吵的不过都是些鸡毛蒜皮的小事，比如盐酸的瓶盖没拧紧啦，比如他和她开捉迷藏的玩笑，拿硝酸兄弟当挡箭牌然后变成王水消失啦，再比如他和好兄弟浓硫酸聚在一起抽烟啦，哦，这算大事，使不得。

那些幼稚的琐碎的调皮捣蛋的曾经，不知为何在分手的一瞬间都骤然变成了一段段温暖的回忆，好多画面不得不就此停留在过去的那一帧，再无续集。

盐酸伤心了好一阵子。他常常想起碳酸钙，他知道尽管碳酸钙很任性，但更多的时候，其实是他忽略了她的感受。然而，生活终究无法倒退，在很多个有些落寞的夜晚，他感到唏嘘，然后也只能希望自己未来会变好一点，变成熟一点。

所以，后来他遇到了氢氧化钠，并再次印证了一句话：我们之所以常常怀念前任，只有两种原因，一个是时间不够久，一个是现任不够好。

盐酸以为，氢氧化钠就是那个将他从过去的遗憾里拯救出来的姑娘。她和碳酸钙性格迥异，她温婉内向，知名度高却并不因此傲娇跋扈，也从不吹毛求疵，美好得很安静。

但她会把很多话藏在心里，包括委屈和不满。那段时间，实验室接到一项检测重金属的项目，工作量突然增加。而在重金属的检测过程中，盐酸是必不可少的化学品之一，所以他不得不常常加班，也因此忽略了女友氢氧化钠。

日子就这样过了一段时间，忙碌中的盐酸再次忽略了，其实他和氢氧化钠之间好久都没联系过了。有一天，氢氧化钠平静地来到盐酸身边对他说，我们分手吧。盐酸吃惊地问她为什么，氢氧化钠却突然大哭起来。这时候盐酸发现，氢氧化钠流出的眼泪，就是和他发生化学反应后生成的水。而这样的化学反应，已经发生过很多次了，氢氧化钠只是选择自己默默流泪，却从未在他面前提起，以至于盐酸至此才意识到氢氧化钠每一次在背后隐忍的付出。

盐酸再一次觉得惭愧极了，如此安静美好的姑娘就这样为自己伤心了很多次，他却不得而知。他向氢氧化钠道歉，希望她能再给自己一次机会，但当他重新找到氢氧化钠的时候，她已经成了隔壁实验台上氯化钙的女朋友了。

这一次，盐酸心如死灰，他说自己不再相信爱情了，因为爱情似乎总是需要精心呵护，稍有疏忽就会在顷刻之间土崩瓦解，伤人伤己。

03

他发现还是一个人更加自由快活，只要自己开心就好，不需要为谁纠结和难过。直到他无意间第一次看到氯化钠，那种久违的心动再一次让他的视线停留在这位肤白貌美的姑娘身上，久久不愿离开。

但他却再也不敢表白了，他已经交过两个女朋友了，都是因为自己不够好才让对方离开，这一次换作他没安全感了，他害怕了。

巧的是，因为一次实验需要共同用到盐酸和氯化钠，实验员小张将他们拿到了同一张实验台上，那是他们距离最为接近的一次。

盐酸几次想要开口和氯化钠说话，想了又想，觉得还是算了。他在心里对自己说，就这样默默地喜欢着，何尝不是一种最好的选择呢，因为这不会意味着分手和离开。

如果读到这里，你都认为我一路瞎扯脑洞太大，那么我建议你继续读下去，因为，后面更扯。（迷之微笑）

好了，且让我把故事讲完。正因为那一次的偶遇，在实验接近尾声的时候，氯化钠突然转过头对盐酸说，很高兴认识你并和你共同完成一次实验，我是氯化钠，以后请多指教。

盐酸第一次害羞，或者说受宠若惊，因为女神竟然主动和他说话。他紧张地说着，不不不，你比我厉害啦，还是你多指教我。

氯化钠看着他憨憨的样子，也笑了。

接下来的日子里，大多数时候，他们依然相隔两张实验台的距离，但目光却总在不经意间交汇，然后不约而同地笑了。

盐酸隐隐地感觉到，氯化钠似乎也喜欢自己，但他不敢确定，他也没有勇气去问个究竟，过往的一切历历在目，让他一丝勇气也没有。

他依旧远远地看着她，在想她和自己的第二个女朋友都拥有共同的元素钠，那么她们的性格是否也会很相似呢？他自认为自己还没有变得更好，他怕再一次因为自己而让喜欢的人伤心，所以他不再敢开口。

时间嘀嗒嘀嗒地走着，直到他们认识很久，盐酸也没有任何一次提起过他内心真正的感受，这其中有爱慕，更有纠结。他天真地认为日子就会如现在这般美好地继续下去。

但是，他错了。或者说，他因为终于没能说出口的勇气而错失了最后一次机会。

春天里的一天，隔壁实验室的实验员找到小张，希望借一瓶氯化钠。小张走到两张实验台的后面，拿起了那瓶氯化钠。

小张不知道的是，就在两张实验台之外的距离，有一瓶盐酸，成了那个春天最孤独的一道风景。

---

你的关注和喜欢对我的梦想很重要，感谢支持❤

作品持续更新中，具体目录请见：昕璐妹作品小站

恋爱和婚姻从来都是两个独立的个体，而不是必然存在的整体。适合谈恋爱的人未必适合结婚。同样的，适合结婚的人也不一定就适合谈恋爱。

随着新时代思想上的解放，我们对于婚姻也有了自己的要求，最近在网上看到一组对年轻一代的婚恋观调查结果显示，95后对于婚姻，他们认为比起金钱和长相，婚姻中看中的是双方是否三观一致。

说到三观一致，其实我认为真正能达到完全一致几乎不可能。所以我觉得所谓的三观一致，并不是要真正意义上的完全相同，而是彼此可以相互接纳不排斥对方观念，在不触碰对方底线的前提下而达成的一种共识。

恋爱容易结婚难，婚姻难就难在这并非两个人的结合，还有原生家庭和外在因素带来的影响，以及是否可以包容对方的缺点。

如果你是一个对生活质量有要求的人，就一定不要找一个每天只会较劲于超市里今天鲜肉打几折的人，他永远也体会不了为什么要花费那么多金钱在物质享受上面。假设你是一个对精神文化有要求的人，也千万不要找一个眼里只有游戏怎么样玩才能快速晋级的人，你会发现你和他讨论某本书里的经典桥段，某部电影里的艺术性表演有多少精彩绝伦，他永远也找不到认同感，只会觉得你在装文艺。

这些也许看似都是不起眼的小问题，但是最后都有可能成为你们婚姻里的导火线。因为对彼此思想行为的不认可，所以很容易因为一件小事就导致分道扬镳的结局。婚姻不等同于恋爱，恋爱里可能吵吵闹闹哄一哄便过去了。可是婚姻不一样，每一次吵架都可以延伸出一系列思想不和，观念冲突的情感矛盾。

我之前一个同事，恋爱3年，双方虽然偶尔有争执，但是每次都还是可以和好如初。可是当他们兴高采烈踏入婚姻时，才发现对彼此生活习惯都不适应。因为恋爱毕竟不是两个人真正生活在一起，距离产生美，同时也产生隔阂。行为习惯是最难改变的，那是日积月累形成的量变，所以恋爱中容易忽视的小细节，日后会发现却是大问题。

最后离婚的时候，女孩说过这样的一段话“我们谈恋爱只享受其中美好的过程，我们只看到了彼此的优点，却忽略了结婚也是要和彼此的缺点生活在一起的。我们没有真正考虑行为习惯，思想观念是否真的不冲突。我以前以为两个人生活在一起，只要有爱便够了，但是现在发现不是的，他的生活习惯，他的思维方式，以及他面对事物的处理能力都能影响到我们的感情”

谈恋爱的时候我们总是以后只要双方有爱情就够了，可是结过婚的人就会知道，并没有那么简单，所以才衍生出家家都有一本难念的经的婚姻佳句。之前一档节目中，女孩要求男友一年给自己过13个情人节，并且不能重样。当时看了第一眼除了觉得女孩公主病太严重，还有就是这个女孩太作。婚姻里偶尔作一下是怡情，但是太作迟早会让对方想放弃。谈恋爱或许还可以最大限度的去包容，去按着她所期待的样子去完成，但是结婚后如果还是这样的状态，再好品性的男人相信也会觉得疲惫。

我们总是把爱情想的太高尚，把婚姻看的太神圣。所以当我们身临其境去感受时会发现好像并非事事如我们所期待。

生活原本就是琐碎的当下凑成的每一天，这是不可回避的重要组成部分。很多人最终在婚姻里败下阵来的原因是因为根本就没有考虑过两个人真正生活在一起的样子。他们把爱情的期待从恋爱转移到婚姻里，可是追究两者是有区别的，人的精力都是有限的，婚姻中显然更多是实实在在的过日子。

谈恋爱我们可能更多的看到的是爱情中的感性面，但是婚姻却是现实中的理性面，好的婚姻会让彼此越来越好，坏的婚姻会让彼此越来越面目可憎。

再浪漫的爱情也会回归到生活的琐碎中，我们要庸俗的谈收入，聊家常理短，要考虑明天是吃什么，要考虑将来做什么。这些都是切实在我们的生活当中的每一天每一年必须要面对的现实。所以考虑好再去谈婚姻。不要盲目的以为婚姻里只有甜言蜜语，更多的还有家庭的责任，两个人的结合不是单方面的索取，更不是只一心想着他有没有为你制造更多浪漫，而是要齐心协力，让生活更加美好，让彼此更加优秀。

秦岭横亘八百里，育终南神秀；终南起止纷云，不明始终。但这无碍道观隐匿，不防禅院出没；更加山出佳木，一叶落而天下闻，趋之如骛，西沣路车首尾相继为一睹满地黄金叶者，古观音禅寺千年银杏也！

古观音禅寺，又名观音堂，家乡人简洁，两字命名曰:观堂。

左有律宗祖庭净业寺，右邻三论宗祖庭草堂寺。沣水出于东；高冠水没于西。

古观音禅寺有双绝:一曰神泉，二曰千年古银杏树。

区别游客是当地的还是外来的，有一种方法；对者银杏树狂拍而兴奋不己而去的，定是慕名而来；要在银杏树上拴红条子，再觅着喝一口甜水的，必是当地人。

当邻居家栽了十四年的银杏树的如金片一样的叶子载着秋风翻过院墙静卧在我的后院时，我想象得出，此刻这古观音禅寺的杏树下闪着光的万手机杂燥。

其实，这并不是这银杏的树下巅峰时刻。

这银杏树有多少神奇！

粗:七搂八匝半！

树龄:一千四百年！

树冠面积:三百二十平方！

树高:二十五米。

约莫三十八年前的初夏，一个传说自山上飘下来，且只在晚上耳传；白天无人谈论，人们只在田间低头干活，盼着天黑。

传说:银杏树哼哼；山下的民众心里明白，这是银杏树显灵了……

这是千年精灵有什么召示或开示吗！？不得而知，只见大人们拿着香火，黑地里不语组群而行，成群结队。村干部说，这是迷信！但怯于阻拦；人心慌慌。十岁上下的我，站在村口只看见人们出村；看不着人们回村！

因为我白天跑乏了，睡得早！

再后来，模糊的印象中，姑奶的村子过会，爷爷带我来过一次。

小表妹说，那一年南石舅家过十月会，我带着表弟表妹，一起手拉着手抱过这一银杏树。那天的情形是:银杏树上，许愿的红绫绸子枝枝桠桠满树，树下，昨夜的香火依稀拉着若有着无的烟，蜡烛的泪流了一树下。树有多处被火烧伤了。但依然有生命力的是新芽的枝条从树根柠着窜出地面，直而且泛年青的光，通身。

姨常讲她在庙中上课情形。加一句，四九年后，这古庙变成学校，僧人四散。

姨说，她们在庙里读书，去爱抬头看梁上；庙宽大又靠近山，凉爽至极。梁上常有蛇出没，或绕梁眠；人不招蛇，蛇不惹人。

想那蛇，早年间受佛经薰，而后又受文章陶，非精不成吧！她在否，可安康？！

这银杏千树不倒，其实可列精一类，要么入神一拔！

神不只这一尊，奇不只这一架！

树脚下有一眼泉，沽沽而流，旱不枯，涝不溢，千年一个节拍，一个歌声伴树而生，相倚相偎，可谓绝配！传说，喝她一口水者，明眸善睐；喝她两口水者，聪颖慧人；喝她三口水者，体健身强！

这一眼泉，让我好找！

因为修茸，她被藏在银杏树台的出口末端，被一木栅栏护着，一条链，一把铜锁！她的境遇不好，同情她。无良的商人借她的名开发了一款“神泉”桶装水，却把她用砖砌着，用链扛着，用锈锁禁着。神不受羁绊，泉自流不息。

禅院终要人打理，打理的僧人给这千年古寺的加项就是莲的满院开放。

这一次，我沉醉于禅院内的莲花了。

干净，开得层次错落，薄似纸，触之有亵玩之嫌；只好静静地观着，笑意在彼此的脸上。我细看这莲的底部，全是尺五的大缸镶入地下，于是水不失，莲有养。

禅院周遭尽可见莲，叶碧绿，花清心，蓬结实。

见莲而识佛心，见贤思齐可达！

莲遇佛而慧，佛坐莲乃通化。

禅意不以文示而用意会。

庙院不以佛重，不以建筑被人念，却因一棵树千年香火不灭，因一眼泉涓涓比肩大河者，方圆数百里，唯此一处。

出了寺院一直想他的名字很怪――古观音禅寺；古，是说给银杏的；观音，是说给佛的；禅，是说给宗旨的；寺，是说给僧人的。

银杏、佛、僧；精、神、人。

        2017初夏游古观音禅寺记。

每次馋薯条的时候，就会做烤箱版的“炸”薯条，把土豆切条，用盐、胡椒、大蒜粉等调料调味，再加一勺橄榄油，入烤箱180度烤15分钟(时间根据量的多少增减）。

除了番茄酱，配salsa或者guacamole也是极好的：

不过，今天我写的，是个脑洞很大的做法，不用土豆，而是用牛油果，是的，牛油果！来做“薯条”。

这是我在看Lauren Toyota(安利过很多次的You tuber)视频的时候，看到她做了，就也尝试了下，结果……被惊艳了，好吃欸！赶紧写方子安利给大家。

牛油果“薯条”／Avocado French Fries

原料：

半个牛油果

面包糠

调味料（给面包屑调味）

植物奶(我用的腰果奶）

橄榄油

关于牛油果用量

一人份半个就够了，因为我还会吃一定量的坚果作为优质脂肪的来源，而且牛油果一次吃一个真的很腻额。

关于植物奶

其实用牛奶也可以，但植物奶会比较稠，更容易让面包糠均匀裹在牛油果上。

我现在用是so delicious的香草无糖腰果奶，单喝可能比较黑暗料理，但用来打smoothie一级棒，不光打出来浓稠，还有淡淡的香草味。

关于面包糠

购于麦德龙，大家在就近的超市购买即可。

关于调味料

面包糠买来一般是没有调味的，我用了墨西哥风味调味剂，里头有辣椒、大蒜、洋葱等等，只要放了它做什么都有墨西哥菜的感觉了….ORZ….

关于橄榄油

我用了喷雾装的橄榄油，可以把油均匀喷洒在面包糠上，进烤箱烤之后，面包糠就会非常酥脆了。不过我买的“菲丽柏瑞”这个牌子并不太好用，大家可以避开这个雷区。

---

制作过程

每次在微信、微博上po早餐图之后，就会有很多人问我：做做要多长时间，会不会来不及？上班会不会迟到？

我的答案永远是：来得及，只要时间分配合理。

在这个方子里，一进厨房，先预热烤箱—处理牛油果—牛油果“薯条”进烤箱—泡茶—热面包—做三明治的topping。

这样的分配可以保证每一步都有条不紊，如果你先是做三明治，然后急急忙忙处理完牛油果，却发现烤箱没预热，那是真的来不及了。

这个技能需要一定的时间，熟能生巧就能找到适合自己的方式啦。

▼烤箱180度预热，把牛油果切成条状，再剥皮：

▼把牛油果先放腰果奶浸一下，放面包糠里滚一下，再浸一下奶，再滚一下面包糠（滚一次的话会太薄）：

▼把牛油果放烤盘上，喷上适量橄榄油，橄榄油可以让面包糠烤过后更酥脆，不过也可以不放油：

▼入烤箱180度烤10-15分钟，要注意观察，别烤焦了。我还做了一个开放型三明治：面包+hummus+红腰豆：