-
tf.graph_util.extract_sub_graph仅提取指定节点及其依赖，不自动剔除无用节点；真正裁剪需按remove_training_nodes→convert_variables_to_constants→extract_sub_graph顺序组合使用。
-
Python字符串编码转换核心是encode()和decode()方法：encode()将str转为bytes，decode()将bytes转为str；二者bridgingUnicode文本与二进制数据，不可混用，需显式指定编码并处理异常。
-
TensorFlowServing生产部署应采用gRPC服务+FastAPI协议转换方案，SavedModel须用tf.keras.models.save_model显式指定tf格式并确保版本目录结构正确，启动需同时配置--rest_api_port和--enable_batching，gRPC客户端需版本严格匹配且stub全局复用。
-
必须设timeout参数，推荐timeout=(3,7)，连接超时≤3s、读取超时≤10s；仅status_code==200不够，需校验响应内容是否含预期关键词。
-
df.info()是最轻量可靠的结构诊断方法，能一次性显示列类型、非空数量和内存占用，但默认不显全列、不显数值精度、易误判object列内容。
-
用Matplotlib绘图关键在于掌握控制权：一、基础设置用样式切换与rcParams统一字体、防乱码；二、坐标轴用set_xlim/ylim、MultipleLocator及spines调整；三、图例用bbox_to_anchor定位，标题分层，annotate加注释；四、进阶用linewidth、alpha、fill_between及twinx优化细节，savefig设dpi和tight。
-
StreamingResponse默认启用chunkedtransferencoding，前提是不设Content-Length且ASGI服务器（如Uvicorn）支持；需注意Nginx缓冲、生成器yield频率与大小、前端读取方式及超时配置。
-
lxml不支持XPath2.0，因其底层libxml2仅实现XPath1.0；尝试使用lower-case()等函数会抛出XPathEvalError；可行方案是SaxonC（支持完整XPath2.0/3.0/3.1）或Python层模拟。
-
list_editable会显著拖慢DjangoAdmin，因其为每行每字段渲染表单控件，触发重复查询、验证、widget渲染及str调用，尤其外键字段引发全表SELECT；性能随行数线性恶化，50行即可明显卡顿。
-
Python无法直接执行JavaScript，需借助浏览器引擎（如Selenium/Playwright）或Node.js运行时实现调用：Selenium适用于依赖DOM、浏览器API的场景；subprocess调用Node.js适合纯逻辑计算；长期项目推荐JS服务化。
-
str.contains默认返回NaN而非False，因NaN参与布尔索引会被丢弃；设na=False可统一返回False，避免漏行。
-
requests默认自动跟随302重定向，最多30次；可通过Session.max_redirects设置全局跳转上限，设为0则禁用跳转，或手动控制并检测循环。
-
选Qdrant写入更快（单节点upsert快1.5–2倍），但需NVMe磁盘；Milvus对CPU/内存要求高，高并发易阻塞；Weaviate居中，batch_size需≥100才提速。
-
如果您在使用Python处理大量文本数据时遇到速度缓慢、内存占用过高的问题，则可能是由于字符串操作方式不当、I/O效率低下或算法复杂度不合理所致。以下是提升Python文本处理性能的具体技巧：一、避免频繁字符串拼接Python中字符串是不可变对象，使用+或+=反复拼接会不断创建新字符串对象，导致时间与空间开销剧增。应改用更高效的数据结构一次性构建结果。1、将待拼接的字符串存入列表中，最后调用''.join()合并。2、对于多行文本生成，优先使用列表推导式配合join()，而非循环内累加。3、若
-
从 FastAPI 生产接口超时场景讲透 Python asyncio TaskGroup、timeout、取消传播、ExceptionGroup 和 finally 资源清理。
