-
PyPy、Cython和Numba是三种提升Python性能的有效工具。PyPy通过JIT编译加速纯Python代码，适合CPU密集型任务且无需修改代码；Cython通过类型声明将Python代码编译为C代码，适用于精细化性能优化和C库集成；Numba利用@jit装饰器对数值计算进行JIT编译，特别适合NumPy数组操作和科学计算。选择取决于代码特性：PyPy适合纯Python场景，Cython适合需深度优化的部分，Numba适合数值计算密集型任务。
-
PyMySQL是Python操作MySQL的轻量库，支持连接数据库、执行SQL、参数化查询防注入、事务管理，并需手动关闭游标和连接。
-
事件循环是单线程协程调度器，依赖await主动让出控制权，不处理CPU密集任务，推荐用asyncio.run()启动。
-
掌握Python数据处理需先学习Pandas、NumPy、Matplotlib、Seaborn及数据筛选分组。首先用Pandas读取清洗数据，通过pd.read_csv()加载文件并检查缺失值；接着利用NumPy进行高效数值计算，如均值标准差；再结合Matplotlib基础绘图与Seaborn美化图表，实现数据可视化；最后运用Pandas的条件筛选与groupby功能完成子集提取和聚合分析，全面提升数据处理能力。
-
应使用id=models.UUIDField(primary_key=True,default=uuid4,editable=False)替换默认AutoField，避免仅设default=uuid4导致隐式自增id；注意数据库存储差异（PostgreSQL原生支持，MySQL推荐BinaryUUIDField）、外键一致性、路由校验（<uuid:pk>）及迁移时的生态兼容性问题。
-
用pdb.set_trace()或breakpoint()可在代码任意位置加断点，需注意import和环境变量；常用命令为n、s、c；pp和l命令辅助查看变量与上下文；多线程、异步、打包等场景需特殊处理。
-
pytest运行失败时加--pdb参数可自动进入pdb调试器，停在异常抛出处；--trace用于逐行调试，--pdb-on-failure无效时可用assertFalse伪造失败触发pdb。
-
NameError通常因变量未定义、拼写错误、作用域问题或条件分支遗漏导致，需确保变量使用前已正确定义并检查命名一致性。
-
pytest-repeat插件提供最轻量、符合pytest哲学的重复执行方案，支持命令行--count、装饰器@pytest.mark.repeat及--repeat-scope控制粒度，安装命令为pipinstallpytest-repeat。
-
Python多层爬虫调度系统核心是分层解耦、职责清晰、可扩可控，含任务管理、调度中心、执行代理、结果归集四层，通过Redis/Kafka等中间件轻量通信，强调稳准有度的策略设计与小闭环迭代演进。
-
Python中反斜杠是字符串解析起点而非运行时转义，发生在编译阶段；应避免单个\结尾、慎用r""处理路径，优先用pathlib或os.path.join，原始字符串与Unicode直写更安全可靠。
-
实例的dict是存储其可变属性的字典。例如，创建Person实例并设置name和age属性后，__dict__包含{'name':'Alice','age':25}；类属性如species不进入实例dict__，除非被实例覆盖；若类定义了__slots__，则实例无__dict__；可直接通过__dict动态添加或修改属性，如p.__dict__['city']='Beijing'等价于p.city='Beijing'，但需注意绕过封装和slots限制。
-
反转Python列表有三种主要方法：1.使用reverse()方法直接修改原列表；2.使用切片[::-1]创建新列表，不改变原列表；3.使用reversed()函数返回迭代器，需转换为列表。
-
str.contains返回False却不报错，因默认regex=True将特殊字符当正则元字符解析；需设regex=False或转义，NaN干扰时加na=False，忽略大小写用case=False而非upper()。
-
roc_curve用于计算假正率、真正率和阈值，需输入正类预测概率而非硬分类结果；绘图时须设坐标轴范围为[0,1]、添加对角线参考线并标注AUC；多分类需One-vs-Rest手动处理；AUC高不等于实际效果好，需结合业务阈值评估。
