-
PythonDocker镜像需精简至120MB、安全可复现：用slim/alpine基础镜像、多阶段构建、pip--no-cache-dir、.dockerignore；编排须处理依赖顺序、配置外置、环境分层；开发与生产保持构建一致。
-
Python多态依赖运行时对象的实际行为而非编译时类型检查，体现“鸭子类型”思想；核心条件是统一方法名、不同类各自实现、调用时不检查类型；分为继承式（结构清晰）和鸭子式（灵活自由）两种模式，由运行时绑定、动态增删属性及无类型约束等特性支撑。
-
使用Python的turtle库可绘制简化版小猪佩奇，先导入库并画头部圆形，再添加耳朵、鼻孔等细节，接着绘制眼睛、嘴巴和卷曲尾巴，最后用粉红色填充使形象更生动。
-
async函数不能直接在同步代码中调用，需用anyio.to_thread.run_sync配合asyncio.run来桥接执行环境，即在新线程中启动新eventloop运行async函数并同步返回结果。
-
Python函数装饰器链的本质是按从下到上的顺序依次应用装饰器，即@decorator_a@decorator_b@decorator_c等价于my_func=decorator_a(decorator_b(decorator_c(my_func)))，执行时先c后b再a包裹，调用时按a→b→c→原函数进入、c→b→a返回。
-
本文详解Python中字典初始化的两种主流方式——逐键赋值与字典字面量（inline）——在可读性、性能、可维护性及IDE建议背后的实质差异，并推荐符合PEP8与工程实践的结构化写法。
-
深度学习以线性代数、概率统计和微积分为数学基础，PyTorch为首选框架，需掌握张量操作、模型构建与部署，精读CNN/RNN/Transformer设计逻辑，并具备数据清洗、训练优化、评估上线的端到端项目能力。
-
Django的handler500视图默认不接收异常对象参数，其函数签名固定为view_error_500(request)，因此直接声明exception=None并打印exception始终为None；需通过sys.exc_info()或traceback.format_exc()在视图内主动捕获当前未处理的异常上下文。
-
Python中实现数据广播的核心机制是NumPy的自动扩展规则，它允许形状不同的数组在特定条件下进行元素级运算。具体规则包括：1.维度比较从右往左依次进行；2.每个维度必须满足相等或其中一个为1；3.如果所有维度均兼容，则较小数组会沿大小为1的维度扩展以匹配较大数组。常见陷阱包括维度不匹配导致的错误、对一维与二维数组形状的理解混淆以及广播结果不符合预期的情况。此外，Pandas继承了NumPy的广播机制，并结合索引对齐特性增强了数据操作的直观性，但应尽量使用向量化操作而非apply()方法以保持高效计算。
-
安全重命名需预检目标路径是否存在，用时间戳或UUID生成唯一新名，结合shutil.move()和文件名清洗（避保留字、截长、转义非法字符）以规避Windows异常。
-
会。描述符的__set__方法抛异常会中断赋值，导致语句失败而非静默；需显式raise且仅对实例属性生效，类属性赋值等会绕过描述符。
-
因为CPython的GIL强制同一时刻仅一个线程执行Python字节码，CPU密集任务无法并行，反而因线程切换和GIL抢占更慢；需用multiprocessing绕过GIL，eBPF可精准追踪PyEval_AcquireLock/ReleaseLock定位持有问题。
-
gc.get_referrers()是定位循环引用的核心工具：它返回直接引用目标对象的所有对象，需先禁用自动回收并手动触发collect，再逐层回溯引用链，配合gc.get_objects()和sys.getrefcount()交叉验证，优先排查自定义类、闭包及weakref相关对象。
-
Python服务崩溃不重启主因是supervisord的autorestart=unexpected默认配置未覆盖退出码0或SIGKILL场景，应设autorestart=true并配startsecs=5、exitcodes=0,2；ConnectionResetError多为客户端断连非服务异常，需通过gunicorn日志降级和nginxproxy_ignore_client_abort处理；pip依赖不一致源于未锁版本或--no-deps误用，须用pipfreeze生成requirements.tx
-
Python源码无法真正加密，但可通过编译字节码、打包可执行文件、Cython编译关键模块及服务化等手段提升逆向难度；需避免硬编码敏感信息，并结合法律与流程管控。
