本文介绍一种通过 IPython 内置变量与 payload 机制，在 JupyterLab 中动态修改当前执行单元格代码的方法，实现“运行即锁定”效果——首次运行后将动态调用（如 get_curr_id()）替换为实际返回值，确保后续重运行不随外部数据变化而改变。
本文介绍一种通过 ipython 内置变量与 payload 机制，在 jupyterlab 中动态修改当前执行单元格代码的方法，实现“运行即锁定”效果——首次运行后将动态调用（如 `get_curr_id()`）替换为实际返回值，确保后续重运行不随外部数据变化而改变。
在数据分析工作流中，常需对某一时点的快照数据进行复现性分析。例如，数据库每30分钟新增一条记录，你希望首个单元格始终固定加载首次运行时获取的 curr_id，而非每次重运行都拉取最新 ID。手动修改易出错且不可复现，而编程化“锁定”单元格则能兼顾自动化与可追溯性。
核心思路是：利用 Jupyter 提供的 In 历史输入列表（In[-1] 即当前正在执行的单元格源码），结合 IPython 的 payload_manager 发送 set_next_input 指令，原地替换单元格内容。以下为完整、健壮的实现：
def lock_current_id(In, curr_id):
"""
将当前单元格中 'curr_id = get_curr_id()' 替换为带具体值的赋值语句，
并自动更新单元格内容（仅首次生效，重复调用无副作用）。
Args:
In: Jupyter 的输入历史列表（全局变量）
curr_id: 首次执行 get_curr_id() 返回的实际 ID 值
"""
current_cell = In[-1]
placeholder_line = 'curr_id = get_curr_id()'
locked_line = f'curr_id = "{curr_id}"'
# 检查是否已锁定：若已存在带引号的显式赋值，则跳过
if f'{placeholder_line}\n{locked_line}' in current_cell:
return
# 替换原始行，并追加锁定行（保持可读性）
updated_cell = current_cell.replace(
placeholder_line,
f'{placeholder_line}\n{locked_line}'
)
# 通过 payload 向前端发送更新指令
from IPython.core.getipython import get_ipython
shell = get_ipython()
shell.payload_manager.write_payload({
'source': 'set_next_input',
'text': updated_cell,
'replace': True
}, single=False)使用方式如下（必须在同一单元格内顺序执行）：
curr_id = get_curr_id() # 动态获取当前最新 ID
lock_current_id(In, curr_id) # 立即锁定该 ID 到单元格
# 后续代码（始终基于锁定的 curr_id 运行）
data = load_data(curr_id)
print(f"Analyzing dataset ID: {curr_id}")✅ 关键特性说明：
- ✅ 幂等安全：函数会检测是否已插入
curr_id = "xxx"行，避免重复添加； - ✅ 非侵入式：不修改变量作用域或执行逻辑，仅变更单元格源码，符合 Jupyter 原生交互范式；
- ✅ 兼容 JupyterLab & Classic Notebook：依赖 IPython 核心机制，跨前端一致生效；
- ⚠️ 注意事项：
-
In是 Jupyter 自动注入的全局变量，无需导入，但必须在 notebook kernel 中执行（不适用于.py脚本）； -
set_next_input会触发前端重新渲染单元格，若单元格含大量输出，建议在锁定后添加%%capture或分段组织； - 若需锁定多变量（如
curr_id,timestamp,version），可扩展函数支持字典参数并批量替换。
-
此方法本质是将“运行时状态”持久化到“代码文本”，既保留了 notebook 的可读性与可重现性，又规避了硬编码 ID 的维护成本。对于时序敏感分析、A/B 测试基线固化、或教学演示中的确定性案例，是一种轻量而高效的工程实践。
