-
Python多进程适合CPU密集型任务，因其可绕过GIL限制、实现真正多核并行，典型场景包括科学计算、图像处理、加密解密、模型训练等；而多线程受GIL制约，在此类任务中几乎无法提速。
-
事件循环异常主因是生命周期管理不当和未捕获错误。1.避免在子线程直接调用get_event_loop()，应使用asyncio.run()自动管理；2.协程内需用try/except处理异常，gather设return_exceptions=True防中断；3.禁止重复运行或过早关闭循环，确保任务完成后再清理；4.注册信号处理器，在退出时取消任务并安全停止循环。规范编码可减少此类问题。
-
打好基础需先掌握Python核心语法、内置数据结构特性及时间复杂度，并通过计算器等命令行小项目实践；再熟练venv、Git、调试工具；最后按Web开发、数据分析等方向进阶，辅以读开源代码、写文档和协作分享。
-
可通过suffixes参数控制重复列名后缀，如suffixes=('_left','_right')；若要避免后缀，需提前重命名列或改用join/concat。
-
本文介绍如何使用NumPy向量化操作高效计算大规模区间赋值与累加问题，避免显式Python循环，显著提升百万级区间数据的处理性能。
-
StringIO和BytesIO是内存中的类文件对象，应直接传给json.load()等函数，而非套用open()；StringIO处理str，BytesIO处理bytes；注意seek(0)、编码、内存占用及Python2/3兼容性。
-
连不上localhost:7233是因localhost解析为::1（IPv6），而服务只监听127.0.0.1:7233；应显式设service_host="127.0.0.1:7233"并确认Server已运行。
-
Python的and运算符并非总是返回True或False，而是采用“短路求值+原值返回”策略：当左操作数为假值时直接返回它，否则返回右操作数本身。
-
MLP处理结构化数据效果被低估，关键在于预处理（数值标准化、类别嵌入/独热、缺失值稳健填充）、合理结构（宽于深、禁用dropout、可选特征交叉）及训练细节（小学习率、早停、小batch、特征诊断）。
-
Python对象拷贝分浅拷贝和深拷贝：copy.copy()仅复制顶层对象，嵌套可变对象仍共享内存；copy.deepcopy()递归复制全部嵌套对象，实现完全独立，但性能开销大且不支持某些特殊对象。
-
poetryinit初始化失败主因是项目名含空格、连字符或大写字母，需改为小写字母/数字/下划线且字母开头；可改目录名或用--no-interaction跳过交互；import报错因未使用Poetry虚拟环境，应poetryshell或poetryrunpython；addrequests为宽松版本约束，addrequests@^2.31.0为精确兼容约束。
-
K-means通过迭代优化簇中心实现聚类：1.随机初始化K个质心；2.将样本分配至最近簇；3.更新质心为簇均值；4.判断收敛，否则重复2-3步。
-
可通过logging.getLogger(__name__)为各模块创建独立命名logger，分别添加FileHandler并设置level和propagate=False，避免rootlogger干扰，实现不同模块按需输出日志到不同文件。
-
Python的I/O缓冲机制通过行缓冲、全缓冲和无缓冲三种模式影响性能：行缓冲适合交互输出，全缓冲提升吞吐但延迟可见，无缓冲实时但开销大；可通过flush=True、-u参数、buffering参数等按场景调控。
-
APScheduler任务不执行的主因是jobstore选错、参数传递错误、主线程退出及任务无超时防护；需用SQLAlchemyJobStore持久化、kwargs/partial传参、event.wait()阻塞主线程、加timeout和max_instances防护。
