-
Python统计元素频率最常用collections.Counter，它简洁高效且是dict子类，支持自动计数、most_common()、安全访问和算术运算；小数据量可用defaultdict(int)或字典get()/setdefault()；数值型数据推荐NumPy的np.unique()或Pandas的value_counts()。
-
help()需对对象本身调用（如help(list.append)），而非字符串；docstring须位于函数/类/模块开头的三重引号内且无前置空行或代码；格式混乱因pydoc原样排版，需注意缩进、空行和换行符。
-
本文详解如何在SQLModel中正确声明timezone-aware的datetime字段，避免因混用offset-naive与offset-awaredatetime导致的TypeError:can'tsubtractoffset-naiveandoffset-awaredatetimes错误。核心在于显式配置SQLAlchemy底层列类型。
-
Python迭代器是__iter__和__next__构成的协议；for能遍历列表因其实现__iter__，整数无此方法故不可迭代；iter()先查__iter__再试__getitem__(0)；StopIteration在for中为正常退出信号，手动next()需捕获；生成器函数比手写类更轻量安全；itertools工具返回惰性迭代器，chain/islice/tee不缓存全量数据。
-
skiprows参数只跳过物理行，不识别内容，可传整数、整数列表或函数：传整数则无条件跳过前N行；传列表则跳过指定行号；传函数时仅接收行号x，返回True即跳过该行。
-
打开命令行输入pip--version，若显示版本信息则pip可用；若提示命令不存在，需检查Python安装时是否添加路径或手动将Scripts目录加入环境变量；2.可使用python-mpip--version验证pip安装状态，能运行则说明pip已安装但命令未生效。
-
np.flip()是唯一支持任意轴翻转高维数组的函数；np.fliplr和np.flipud仅适用于二维数组且隐含固定轴（axis=1和axis=0），对CHW或HWC格式图像需按实际shape显式指定axis，否则导致静默逻辑错误。
-
3Sigma在业务数据中常失效，因业务数据多非正态分布，如订单时间集中早晚高峰、销售额长尾暴增、IoT读数存在系统性漂移；直接用numpy.std()计算标准差并应用于右偏订单金额，易误删大额客户；且3Sigma对离群点敏感，极端值会拉高标准差导致漏检；应先可视化分布形态，优先选用分位数法，或改用中位数与MAD等稳健估计。
-
os.path.abspath(__file__)最可靠，因其不依赖当前工作目录且自动解析符号链接；而sys.argv[0]在import、-m运行或os.chdir()后易失效；推荐Python3.4+用pathlib.Path(__file__).resolve()。
-
isdigit()仅识别ASCII数字及少数Unicode上标/下标数字（Nd类），不支持中文数字、罗马数字、小数点等；isnumeric()范围更广，涵盖Nd/Nl/No类数字字符如中文数字、带圈数字、分数符号，但仍不能判断是否可转为int/float。
-
Channels4.x在Django5中不强制使用Redis，但生产环境必须用Redis（或RabbitMQ），因in-memory层已移除集群支持，多worker下会丢消息。
-
Pythonunittest是标准库单元测试框架，需继承TestCase类、test_开头方法为用例；提供assertEquals等断言；setUp/tearDown用于准备与清理；支持脚本运行、-munittest命令及-v详细模式。
-
Python列表无equals()方法，判断相等用==；pandasDataFrame才支持df.equals()，它处理NaN更合理且要求索引列对齐。
-
本文详解如何避免PySpark中对多个嵌套数组列逐列explode导致的笛卡尔式数据膨胀与性能崩溃，推荐使用arrays_zip+explode实现安全、高效、语义准确的“对齐展开”。
-
ThreadPoolExecutor的核心是封装任务调度与线程复用，依赖queue.Queue缓冲任务、threading.Thread启动工作线程，通过\_threads集合和原子计数器协调状态；任务提交打包为\_WorkItem入队并唤醒空闲线程；工作线程循环取任务、异常屏蔽执行、自动退出；线程按需创建，不主动销毁。
