-
函数式编程在Python中依赖思路而非语法，核心是数据流变换，通过映射（map）实现批量纯函数处理，组合（compose）串联单参单返函数形成可复用流水线。
-
Python语法元素包括变量赋值（动态类型、链式与解包）、内置数据类型字面量（数字、字符串、布尔值、None、容器）、运算符与表达式（算术、比较、逻辑）、结构化语法（缩进与冒号定义代码块）。
-
Python处理CSV文件时，性能瓶颈常出现在逐行解析、类型转换、内存占用和I/O阻塞上。用对方法，读写速度可提升数倍甚至一个数量级，关键不在“多快”，而在“少做无用功”。用pandas读CSV：跳过慢操作pandas的read_csv()默认行为很“安全”但很慢：自动推断列类型、处理缺失值、解析日期、支持复杂分隔符等。实际项目中，多数CSV结构固定、格式干净，可针对性关闭冗余功能：指定dtype（如{'id':'int32','name':'stri
-
Python自带dict不支持TTL因其纯内存映射，无时间戳、过期检查或自动清理机制；手动维护易致内存泄漏，Timer方案开销大且难管理；推荐懒过期封装方案，读时检查并删除过期项。
-
finally块总是执行，且在try或except的return生效前运行；无异常时执行try→finally；有匹配except时执行try→except→finally；无匹配except时执行try→finally后异常冒泡；finally中return会覆盖原返回值。
-
本文详解在Selenium中处理Vue类多选下拉组件时常见的超时问题，提供基于CSS选择器与上下文感知XPath的稳定定位策略，并附可直接复用的健壮代码示例。
-
split()返回列表而非字符串，易因索引越界抛IndexError；安全取值需先判长度；分隔符含正则元字符时勿误用re.split()；切片左闭右开、支持负索引；正则提取需预编译、防注入；Unicode切片按字符计，非字节。
-
SVM是一种通过寻找最大间隔超平面进行分类的监督学习算法，利用核函数处理非线性数据，在高维空间表现优异；Python中使用scikit-learn的SVC类实现，需注意数据标准化和参数调优以提升性能。
-
logging.basicConfig()在导入模块后失效，是因为根logger一旦被首次配置（如调用basicConfig、getLogger或添加handler），后续调用将静默忽略；常见原因是第三方库提前触发了logger初始化。
-
不会。TaskGroup.cancel()仅发起取消请求，子任务需在await点响应CancelledError；阻塞操作或未await协程会导致卡住，资源清理须显式处理，嵌套group需手动传播取消信号。
-
pd.merge()对重名列默认添加\_x和\_y后缀是正常行为，可通过suffixes参数自定义，如('\_left','\_right')；仅当存在同名列且未指定suffixes时触发，不影响性能但影响下游列名引用。
-
最简路径是直接实例化ttk.Notebook并用add()添加Frame子容器，需手动布局、设text标题、调select()指定默认页；tab内控件必须以对应Frame为master，否则不显示。
-
sorted()返回列表而非字典，需用字典推导式构造新字典；按键排序用sorted(my_dict)，按值排序用sorted(my_dict.items(),key=lambdax:x[1])；键类型混杂会触发TypeError。
-
BackgroundTasks不能直接await，因其非协程而是任务注册器；需调用add_task()且不加await，函数内自行处理异步操作；后台任务须新建数据库session，避免复用请求级session；它适合轻量、非关键任务，而Celery更适合生产环境的可靠异步任务。
-
BERT做NLU需闭环优化：任务建模要按单句分类、句对匹配、序列标注等设计下游结构；数据准备重清洗轻增强；微调用分层学习率、EMA等技巧；部署关注推理加速与资源平衡。
