-
两个集合相等当且仅当它们包含相同元素，使用==运算符判断。示例中set_a==set_b返回True，因元素相同；set_a==set_c返回False，因元素不同；空集比较返回True。注意：集合自动去重，==比较值而非身份，避免使用is。
-
多领域文本混合分类需分层解耦与联合优化：先用共享BERT编码，再通过领域分支（2层MLP+focalloss）预测粗粒度领域，细分类分支将领域概率与[CLS]拼接后经1层Transformer分类；训练中引入动态难例采样、一致性约束、领域自适应正则（KL项，λ线性退火）、三阶段解冻及梯度隔离策略，验证以“领域×细类”宏平均F1为准。
-
核心是目标驱动的数据闭环：先定义分类体系并标注样本，爬取时嵌入标签线索，边爬边清洗（去广告、过滤长短文本），用TF-IDF+LogisticRegression快速验证baseline（准确率常超85%），再据数据规模微调BERT类模型。
-
Python的sort()方法用于列表原地排序，不返回新列表；sorted()函数则返回新列表。1.sort()默认升序排列数字或字符串列表。2.设置reverse=True实现降序排序。3.使用key参数自定义规则，如按长度len或忽略大小写str.lower排序。4.注意sort()仅适用于列表且修改原数据，若需保留原列表应使用sorted()。掌握这些即可应对多数排序场景。
-
使用虚拟环境隔离项目，通过pipfreeze生成requirements.txt或使用poetry、pipenv管理依赖，结合Docker实现可复现的环境迁移。
-
构建推荐系统不一定要从复杂的模型开始，文本处理是其中最实用、最容易上手的切入点。关键在于：把用户行为、物品描述、上下文信息这些非结构化文本，转化成能被算法理解的向量，并让相似性计算真正反映业务逻辑。用TF-IDF+余弦相似度快速搭建内容推荐基线这是最经典也最有效的文本推荐起点。适合新闻、商品详情页、短视频标题等以文本描述为主的场景。对物品（如文章）的标题、摘要、标签做分词，过滤停用词，保留有意义的关键词用TF-IDF将每篇文档转为固定长度的稀疏向量（sklearn的TfidfVecto
-
Python音视频剪辑核心是正确使用FFmpeg与Pydub：FFmpeg负责编解码、时间轴操作与特效渲染，Pydub专注音频精细处理；需避免字符串拼接调用FFmpeg，统一帧率、采样率及时间基以保音画同步。
-
Python调用OpenAIAPI需理解接口逻辑、处理响应结构、适配业务场景，并兼顾错误处理与成本控制；须用新版OpenAI()客户端、环境变量管理密钥、response_format参数确保JSON输出、分场景优化调用方式并遵守合规要求。
-
Python概率建模不确定性预测的核心是输出分布而非点估计，需用NLL等概率损失训练、校准评估覆盖率与区间宽度，并注意sigma约束、Dropout开关等工程细节。
-
Python内置eval()函数用于动态执行字符串形式的Python表达式并返回结果，但因可执行任意代码而存在严重安全风险，推荐优先使用ast.literal_eval()等更安全的替代方案。
-
Python数据结构学习关键不在讲数而在实操：list的in操作为O(n)全扫描，10万元素最坏比较10万次；set查重O(1)但需构建开销，小列表偶尔查询未必划算。
-
Pillow是Python中常用的图像处理库，适合实现裁剪、缩放、旋转等基础操作。安装使用pipinstallpillow并导入Image类即可开始操作，常见问题包括路径错误和格式不支持。主要功能包括resize()调整尺寸、crop()裁剪区域、rotate()旋转图像、transpose()翻转图像。颜色转换可通过convert()方法实现，如转灰度图或去除透明通道。添加水印或文字需使用ImageDraw和ImageFont模块，通过draw.text()绘制文字并指定字体、颜色和位置。Pillow功
-
blist已停止维护，仅支持至Python3.2，无法在Python3.6+（尤其是3.9/3.10/3.11）上编译安装；推荐改用官方标准库bisect、sortedcontainers或blist的现代替代品。
-
使用虚拟环境隔离项目，通过pipfreeze生成requirements.txt或使用poetry、pipenv管理依赖，结合Docker实现可复现的环境迁移。
-
默认自动换行，如需取消可设置end参数。例如print("Hello",end="")输出不换行，用空格连接；特殊格式才手动加\n。
