-
推荐使用venv、virtualenv、conda、pipenv或poetry创建Python虚拟环境。venv是Python3.3+内置工具，无需安装，适合基础场景；virtualenv功能更强，支持Python2/3及自定义配置，但需额外安装；conda适用于数据科学，可管理非Python依赖，跨平台一致，但安装包较大；pipenv整合pip与virtualenv，自动生成Pipfile，适合中小型项目，但性能较慢；poetry现代且功能全面，支持依赖锁定与项目打包，适合团队协作与发布，但学习曲线较高
-
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。
-
PythonWebSocket实战核心是用asyncio+websockets实现轻量双向通信，需理清连接生命周期、分组管理频道、定义type字段JSON协议，并通过定时ping/pong维护连接稳定性。
-
用openpyxl插入折线图需创建LineChart对象，通过Reference指定X轴（如A2:A10）和Y轴（如B1:B10）数据范围，调用set_categories和add_data绑定数据，设置标题、坐标轴名及宽高后，用add_chart插入指定单元格，最后用Excel打开验证图表显示。
-
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中列表排序最直接的方式是使用list.sort()原地修改或sorted()生成新列表。前者不返回新列表，仅改变原列表顺序，适用于内存敏感场景；后者可对任意可迭代对象排序且保留原数据，更安全通用。两者均支持key参数自定义排序逻辑（如len、lambda表达式），并可通过reverse=True实现降序。关键区别在于是否修改原列表及返回值：sort()返回None，易误用；sorted()始终返回新列表。选择依据为是否需保留原始数据、数据类型及内存考量。常见陷阱包括sort()的None返回值
-
用Excel、Python和低代码工具实现办公自动化可显著提升效率：Excel处理日常分析，Python解决复杂任务，低代码+定时任务让流程自动运行，最终以直观成果推动决策。
-
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。
-
企业级大模型应用需自主掌控数据与推理链路，涵盖QLoRA本地微调、LangChain+Chroma构建RAG引擎、FastAPI+vLLM服务化部署及输入输出安全校验与审计留痕。
-
Python中for循环用于遍历可迭代对象，核心是简洁地处理每个元素。基本语法为for变量in可迭代对象:，如遍历列表、字符串或使用range()生成数字序列。配合break和continue可控制循环流程，else块在循环正常结束时执行。相比while循环（依赖条件判断），for更适用于已知序列的遍历。通过enumerate()可同时获取索引和值，zip()则能并行遍历多个序列，提升代码可读性与效率。
-
Python中Base64编码解码需用base64模块，核心函数为b64encode和b64decode；处理字符串时需先转为字节，文件则直接以二进制模式读写，全程注意数据类型一致性。
-
__new__总是先于__init__执行，负责分配内存并返回实例；__init__在实例存在后初始化属性。前者是静态方法，后者是实例方法，日常开发通常只需重写__init__。
-
Python中文件流位置控制依靠seek()和tell()方法，seek()移动指针（支持文件头/当前/末尾为基准），tell()返回当前字节位置；二进制模式下定位精确，文本模式因编码问题不宜按字符seek。
-
<p>计算百分比的核心公式是（部分值/总值）*100，Python中需注意浮点数精度、零除错误处理及在不同数据结构中的应用。1.使用基础公式时，Python3的除法默认返回浮点结果；2.浮点数精度问题可通过decimal模块解决，适用于金融或科学计算；3.零除错误的稳健处理方式包括返回0.0、None、NaN或抛出异常，具体取决于业务需求；4.在列表中可通过count方法和列表推导式计算特定值或条件元素的占比；5.字典中可通过对所有值求和后遍历键计算各值占比；6.PandasDataFrame
