（我认为[！]）我了解pipenv（和其他venv）背后的原理，并经常使用它们。但是，我从未真正理解为什么pipenv同时需要一个Pipfile和一个Pipfile.lock文件。
现在，一旦在生产中获得代码和Pipfile.lock， 环境，您应该安装最后一个成功的环境 记录：
$ pipenv install --ignore-pipfile
但并不能解释为什么为什么 Pipfile.lock 需要。即.lock文件中包含Pipfile不包含的内容，为什么Pipfile足以与其他开发人员共享：
现在，假设另一个开发人员想要对您的产品进行一些补充 码。在这种情况下，他们将获得代码，包括 Pipfile，并使用以下命令：
$ pipenv install --dev
但是还不足以用来在生产环境中复制您的环境吗？
答案 0 :(得分：2)
官方Pipfile项目has something to say about this：
Python应用程序的具体要求来自
Pipfile。这将包括应从何处获取软件包及其宽松的版本限制。环境的详细信息（所有已安装的带有固定版本的软件包以及其他详细信息）将存储在
Pipfile.lock中，以提高可重复性。该文件将自动生成，并且不应由用户修改。
换句话说，Pipfile适用于人，Pipfile.lock适用于计算机。
在Pipfile中列出该文件中所需的内容，然后以某种宽松的方式定义它们，例如“ Django版本2或更高版本”。但这还不足以确定性地重现环境。那是“ Django 2.0.3”还是“ Django 2.1.0”？
Pipfile.lock准确地指定了需求，还准确地指定了依赖项。例如，如果您明确希望使用foo并将其放入Pipfile中，则会生成Pipfile.lock并将其锁定为特定版本。如果foo本身依赖于bar，而bar依赖于quux和florp，则Pipfile.lock文件将锁定bar， quux和florp也降低了，因此依存关系的细微差别不会破坏事情。
答案 1 :(得分：0)
正如@Chris所说，Pipfile.lock是用于计算机，而Pipfile是用于人类。如果查看Pipfile.lock文件，您会发现每个依赖项甚至都具有sha256代码！
该文件是人类无法处理的，您只能处理Pipfile。但是Pipfile不够严格，无法再现完全相同的环境。这就是为什么我们还需要Pipfile.lock。
答案 2 :(得分：0)
这是npm之类的工具。（也许？）
Pipfile用于标识项目的依赖关系，您将从.lock获取依赖关系树。
但是根据不同的来源，您将获得不同的软件包。因此，您可以从matplotlib = "*"
numpy = "*"
文件中获取实际的本地依赖关系。
例如，在Pipfile中，您可以看到类似以下内容的
.lock但是在"pytz": {
"hashes": [
"sha256:a061aa0a9e06881eb8b3b2b43f05b9439d6583c206d0a6c340ff72a7b6669053",
"sha256:ffb9ef1de172603304d9d2819af6f5ece76f2e85ec10692a524dd876e72bf277"
],
"version": "==2018.5"
}
文件中，您将看到实际的依赖项，例如：
Pipfile简而言之，.lock是为了更兼容，但是e = Embedding(11619, 200, weights=[wv], input_length=sentMax,trainable=False)
## Original Sentence
input1=Input(shape=(np.shape(W_train)[1],),name='text')
input2=Input(shape=(157,1),name='d1')
input3=Input(shape=(157,1),name='d2')
x1=e(input1)
x2=Dense(1,activation='linear')(input2)
x3=Dense(1,activation='linear')(input3)
inputs=concatenate([x1,x2,x3],axis=-1,name="concat")
t=Bidirectional(LSTM(100,return_sequences=True),merge_mode='concat')(inputs)
model=Dropout(0.5, noise_shape=None, seed=None)(t)
pool = Attention()(model)
## Help1 Sentence
input1_h1=Input(shape=(np.shape(W_h1_train)[1],),name='text_h1')
input2_h1=Input(shape=(157,1),name='d1_h1')
input3_h1=Input(shape=(157,1),name='d2_h1')
x1_h1=e(input1_h1)
x2_h1=Dense(1,activation='linear')(input2_h1)
x3_h1=Dense(1,activation='linear')(input3_h1)
inputs_h1=concatenate([x1_h1,x2_h1,x3_h1],axis=-1,name="concat_h1")
t_h1=Bidirectional(LSTM(100,return_sequences=True),merge_mode='concat')(inputs_h1)
model_h1=Dropout(0.5, noise_shape=None, seed=None)(t_h1)
pool_h1 = Attention()(model_h1)
## Help2 Sentence
input1_h2=Input(shape=(np.shape(W_h2_train)[1],),name='text_h2')
input2_h2=Input(shape=(157,1),name='d1_h2')
input3_h2=Input(shape=(157,1),name='d2_h2')
x1_h2=e(input1_h2)
x2_h2=Dense(1,activation='linear')(input2_h2)
x3_h2=Dense(1,activation='linear')(input3_h2)
inputs_h2=concatenate([x1_h2,x2_h2,x3_h2],axis=-1,name="concat_h2")
t_h2=Bidirectional(LSTM(100,return_sequences=True),merge_mode='concat')(inputs_h2)
model_h2=Dropout(0.5, noise_shape=None, seed=None)(t_h2)
pool_h2 = Attention()(model_h2)
combined=concatenate([pool,pool_h1,pool_h2],axis=1)
X=Dense(300,activation='relu',kernel_regularizer=regularizers.l2(0.0001))(combined)
X=Dense(100,activation='relu',kernel_regularizer=regularizers.l2(0.0001))(X)
main_output = Dense(5,activation='softmax',kernel_regularizer=regularizers.l2(0.0001))(X)
output_model = Model(inputs=[input1,input2,input3,input1_h1,input2_h1,input3_h1,input1_h2,input2_h2,input3_h2], outputs=main_output)
文件是要在本地获得实际的依赖关系。