-
Python异常机制的核心是清晰表达错误语义与责任归属；自定义异常应命名明确（名词+Error）、继承合理（按语义选基类）、构造简洁（关键上下文入msg）、捕获精准（分层处理）。
-
在except块中不使用ase时，可通过sys.exc_info()[1]获取当前异常对象；该函数仅在异常处理上下文中有效，返回三元组中的value即异常实例。
-
Python切片非零成本操作，时间复杂度O(k)需复制元素，空间上必创建新对象且内存占用显著，负步长和越界处理还引入额外计算与校验开销。
-
itertools.batched()更安全，因其不预加载全部数据、内存占用恒定；手写切片易致全量展开，引发OOM或阻塞。
-
推导式通常比for循环快20%–40%，但仅适用于简单映射或过滤；复杂逻辑、多条件、需调试或复用中间变量时，for循环更清晰高效。
-
先创建模块文件如math_utils.py并定义函数，再通过import导入使用；功能增多时可组织为包，含__init__.py的文件夹即为包，最后可用setup.py安装自定义库。
-
爬虫要写得稳而非写得快，核心是减少对固定路径的依赖，多用语义选择器、相对关系、API替代渲染、多级fallback、轻量校验和快照比对。
-
status_code不是判断抓取成功的唯一标准，因为200响应可能返回反爬页、空白HTML、JS占位符或CDN错误模板；需同时满足状态正常、内容可解析、关键字段存在。
-
使用set_index()+reindex()组合，基于连续整数范围重索引DataFrame，再用fillna(0)填充缺失响应值，最后reset_index()恢复CATEGORY列为普通列，即可高效、简洁地补全全部500个分类并保持有序。
-
该项目通过Python和机器学习构建二手车价格预测模型，涵盖数据获取、清洗、特征工程、模型训练与评估全流程。首先从公开平台爬取或使用现有数据集，但面临数据来源多样、格式不一、反爬机制等挑战，需采用Scrapy、Selenium等工具应对；数据常存在缺失值、异常值、不一致等问题，需通过填充、删除、统计方法处理，并建立标准化清洗流程。为保证数据时效性，可设计增量爬取机制。特征工程是关键环节，包括计算车龄、年均行驶里程等衍生特征，对品牌、车型等类别变量进行独热编码或目标编码，利用TF-IDF或词嵌入处理文本描述
-
Python数据抓取核心是理清“请求→响应→解析→存储”四环节：一、明确目标与请求方式，区分静态/动态加载，合理选用requests或Selenium；二、用CSS选择器精准提取字段，注意防KeyError和文本清洗；三、设计容错逻辑应对缺失、格式混乱与结构变动；四、结构化保存前需校验数据一致性与完整性。
-
注意力机制的核心是动态加权求和，三要素为Query（查询）、Key（键）、Value（值）：Query与Key计算相似度得分数，softmax归一化为权重，再加权求和Value得到输出；自注意力通过全连接匹配突破距离限制，多头机制并行捕获多维特征；PyTorch手写实现含线性投影、缩放点积、softmax及加权求和；可视化注意力权重热力图可分析模型关注模式。
-
在Windows上编译含cuFFT的CUDADLL时，Python加载失败通常源于cuFFT运行时DLL（如cufft64_11.dll）未被系统正确定位；通过显式添加CUDAbin目录到DLL搜索路径即可解决。
-
PythonAI自动化是用Python调用AI模型+规则逻辑+系统交互能力实现“感知-决策-执行”闭环，如自动读邮件→提取信息→填系统→发通知；需组合requests/pandas/OCR等感知工具、LLM等决策模型、selenium/win32com等执行工具。
-
break终止循环，continue跳过当前迭代；嵌套循环中二者仅影响所在层，需用标志或函数控制外层；finally块在break/continue时仍执行；应优化条件减少其使用以提升可读性。
