-
NumPy是Python数据分析的基石，核心是ndarray多维数组，支持高效数值运算；常用创建方式包括np.array()、np.zeros()等，关键属性有shape、dtype、ndim；索引切片支持一维、二维及布尔索引。
-
模型调优是围绕数据、模型结构、训练过程和评估反馈的系统性迭代，核心是提升图像任务的稳定性、准确性和泛化性，而非单纯刷高验证集指标。
-
math模块提供常用数学函数和常量，不支持复数；需importmath后通过math.调用，如math.sqrt(16)返回4.0；常用函数包括sqrt、pow、ceil、floor、round等。
-
Matplotlib通过plt模块提供类似MATLAB的绘图接口，基本流程包括导入库、准备数据、调用绘图函数、设置标签和显示图像；支持折线图、散点图、柱状图、直方图等多种图形，可用subplots创建多子图布局，并通过savefig保存高清图像，最后需调用show显示图表。
-
Flask中返回JSON数据首选jsonify函数，它自动设置Content-Type并转换Python对象为JSON格式；支持字典、列表等可序列化类型，建议始终返回字典结构以避免字符串被转为数组；可通过返回元组或使用make_response设置自定义状态码；处理如datetime等非序列化对象时需自定义JSONEncoder；也可用Response对象手动控制响应，但需自行序列化数据。
-
Pickle是Python默认对象序列化工具，用于保存对象状态和重建逻辑，依赖解释器、类定义及代码版本，存在兼容性与安全风险；支持基本类型、顶层函数、类实例等，不支持文件对象、嵌套类等；可通过__getstate__和__setstate__控制序列化行为；协议版本0–5影响性能与兼容性；反序列化不受信任数据会导致RCE，应优先选用JSON、ProtocolBuffers等安全替代方案。
-
特征工程是让已有数据更懂模型的关键步骤，直接决定模型上限；需将原始字段转化为有业务意义、统计区分度的数值表达，并兼顾可解释性与线上效果验证。
-
Python的re.sub()函数用于正则表达式替换，基本用法是替换固定字符串，如将“apple”替换成“orange”。1.使用正则表达式可替换动态内容，如替换数字为“#NUMBER#”。2.常见场景包括清理空格、去除标点、匿名化手机号。3.替换时可用函数动态生成内容，如将数字乘以2。4.注意事项包括大小写敏感、贪婪匹配、性能问题及分组替换技巧。掌握这些方面可灵活应对多数替换需求。
-
Python字典基于哈希表实现，依赖键的不可变性保障哈希值稳定，通过开放寻址法处理冲突，装载因子超2/3时自动扩容；内存与性能优化需关注初始化方式、键存在性判断及遍历方法。
-
性能回归测试是围绕关键路径建立可重复、可对比、可归因的质量守门机制，聚焦高频核心接口、资源敏感操作和数据库关键路径三类场景，通过自动化嵌入CI/CD、环境可控的轻量级基准测试与关联用例执行，结合火焰图、SQL分析、内存快照等根因定位手段，由开发自测担责并遵循《性能红线手册》。
-
使用whichpython或whichpython3可查找Python可执行文件路径；2.运行python-c"importsys;print(sys.executable)"获取解释器实际路径；3.通过python-c"importsys;print(sys.prefix)"查看安装根目录；4.自定义安装需配置环境变量，将PYTHON_HOME和PATH添加至~/.bashrc或~/.zshrc；5.执行source命令使配置生效，并用echo$PYTHON_HOME、echo$PATH及python-
-
应使用type(obj)istuple而非isinstance(obj,tuple)，因NamedTuple等tuple子类会使后者误判；type检查确保仅匹配原生tuple，避免结构假设错误。
-
GitHubActions轻量高效，适合中小型Python项目；Jenkins灵活可控，适合复杂流水线；二者可混合使用，统一配置保障CI可信性。
-
Python并发爬虫应依场景选异步协程或多线程：asyncio+aiohttp适合高并发轻量请求，需用Semaphore控并发、优化DNS；threading+requests适合中等规模带反爬任务，需独立Session和请求间隔；须配节流、重试、异常隔离与动态调速，并解耦解析存储以保吞吐。
-
Python中tuple不可变的根本原因在于其设计目标是作为不可变序列容器，内存布局固定、支持哈希、语义上表达不变性；但仅保证引用不可变，内部可变对象内容仍可修改。
