-
本文介绍在Python2和3兼容环境下，使用三重引号（"""或'''）安全构建跨多行的SQL查询字符串的方法，避免语法错误，并确保嵌套单引号、换行符和可读性同时兼顾。
-
Python安装第三方库的核心机制是通过pip工具实现，使用命令如pipinstall库名即可从PyPI下载安装；若pip未识别，可重新安装Python并添加至PATH或手动配置环境变量，也可用python-mpip方式调用；网络问题导致安装失败时，可通过指定国内镜像源（如清华、阿里云）加速下载；为避免不同项目间库版本冲突，推荐使用venv创建虚拟环境，实现依赖隔离，并通过requirements.txt管理项目依赖，确保开发环境独立与可复现。
-
Python的set去重基于哈希表，通过__hash__()和__eq__()判断重复，平均时间复杂度O(1)，不保证插入顺序，不可变类型可哈希，可变类型需自定义哈希与相等逻辑。
-
Python中给异常对象动态添加属性基本安全，但需避开内置属性和CPython3.11+的冻结优化；推荐捕获后赋值或使用dataclass封装以兼顾类型安全与元数据完整性。
-
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。
-
Python运行时先将.py编译为.pyc字节码再由PVM执行；首次import、源文件更新时自动生成，存于__pycache__目录，支持手动编译，但不跨版本兼容。
-
本文介绍如何在不显式循环的前提下，使用isin()、shift()和布尔逻辑组合，精准选取DataFrame中匹配关键词的行及其指定偏移量（如+2行）的记录，适用于多关键词、多偏移规则的批量筛选场景。
-
openpyxl与pandas分工协作：pandas负责数据清洗计算，openpyxl负责格式化呈现；pandas读写会丢失样式，需用openpyxl操作模板、填入结果并设置格式、条件高亮等。
-
应使用dtype={"col_a":"boolean","col_b":"boolean"}强制指定三态布尔类型，并配合na_values和converters处理空值及大小写混杂的字符串；避免用小写bool，因其不支持缺失值。
-
缺失值和异常值需结合业务逻辑与数据分布处理：识别时需检查隐性缺失；填充要按列类型选择策略；异常值检测应兼顾统计与业务规则，并通过截断、分箱或专项分析等方式处理。
-
本文介绍一种简洁可靠的Python方法，用于逐行读取目标数字列表，精准匹配CSV文件中任意字段包含该数字的整行，并输出匹配结果及保存到独立文件。
-
大数据量下应优先选择稳定省资源的数据结构：deque用于高频两端增删，array.array节省数值内存，dict适用于有序映射但需控制key类型，稀疏数据改用scipy.sparse或pyarrow等专用结构。
-
Lambda冷启动主要卡在函数环境初始化、运行时启动和代码首次执行三环节，尤以Python中第三方库import串行加载开销最易被低估。
-
Python操作数据库的核心思路是建立连接、获取游标、执行SQL、处理结果、提交事务和关闭连接。该流程适用于SQLite、MySQL和PostgreSQL，遵循DB-API2.0规范，接口一致，仅连接参数和库不同。SQLite轻量，适合本地开发；MySQL广泛用于Web应用；PostgreSQL功能强大，适合复杂业务。安全性方面需使用参数化查询防SQL注入，验证输入，遵循最小权限原则，并妥善处理错误。连接池可提升高并发下的性能。
-
带参数装饰器必须返回真正的装饰器函数，即三层嵌套结构：最外层接收参数并校验，中间层接收被装饰函数并返回内层函数，最内层执行逻辑且需用@functools.wraps(func)保留原函数元信息。
