-
df.drop(columns=['col'])默认返回新DataFrame而不修改原对象，需赋值或加inplace=True才生效；链式调用禁用inplace=True；Pandas2.0+正弱化inplace支持。
-
drop_duplicates需用subset指定列去重，默认保留首次出现行；不赋值或inplace=True则原数据不变；NaN默认视为相同，多列去重前须统一数据类型与列名格式。
-
Python最常用数据类型是字符串（str）、列表（list）和字典（dict）：字符串不可变，支持索引切片及.upper()等方法；列表可变，支持增删改查和遍历；字典以键值对存储，key须不可变，支持多种遍历方式。
-
根本原因是pip默认超时仅15秒，而PyTorch的whl包超800MB，在网络波动时极易中断；需同时设置--timeout600、--retries5、--trusted-host及--extra-index-url官方CUDA镜像，并推荐使用带自动重试的批处理脚本。
-
zip(matrix)返回元组因默认打包为tuple，需用[list(row)forrowinzip(matrix)]转为可变列表；空矩阵时zip返回空迭代器，转list得[]；不规则矩阵用嵌套推导式会报错，应先校验再转置。
-
剪枝本身不减模型体积，必须strip_pruning+h5导出才能看到磁盘大小下降：因PolynomialDecay仅加掩码，保存仍为稠密格式；strip_pruning移除mask后用h5保存，才利用零值压缩实现40–60%体积下降。
-
logging比print更专业，因其实现了Logger、Handler、Formatter三层解耦，支持多级过滤与滚动写入；basicConfig仅在root未配置时生效，模块化项目应显式创建logger及handler；RotatingFileHandler可实现按大小轮转，需设置maxBytes和backupCount；一个logger可绑定多个handler以同时输出到控制台和文件，但需分别设置各级别；日志输出需同时满足logger和handler的level，且默认propagate为True。
-
Redis是唯一能低成本、跨进程共享状态的通用方案，因INCR+EXPIRE组合可实现原子限流，而本地计数器或sleep无法跨实例同步，且SQLite等数据库不支持高并发原子计数。
-
any()函数用于判断可迭代对象中是否存在至少一个元素为真，如any([False,False,True])返回True；结合生成器表达式可高效检查条件，如any(x>10forxinnumbers)判断是否有数大于10；也可用于字符串匹配或空值检测，与all()区别在于any只需一个真值即返回True。
-
layer.get_weights()返回按创建顺序排列的numpy.ndarray列表，每个元素对应层的可训练参数；需模型已build，无参层返回空列表，推荐用[tf.keras.backend.get_value(w)forwinlayer.weights]更稳定。
-
当Django模型从Quiz重命名为CarQuizz后，原有数据库表未自动迁移或删除，导致数据“消失”——只需在新模型中通过db_table指定旧表名，即可无缝复用历史数据，无需迁移或手动搬运。
-
在Python中，sort()和sorted()的区别在于：1.sort()方法直接修改原列表，适用于不需要保留原列表的情况；2.sorted()函数返回新列表，不修改原列表，适用于需要保留原数据的场景。
-
Python内存由解释器自动管理，核心机制包括引用计数（即时释放）、垃圾回收（处理循环引用）和对象池（缓存小整数-5~256及短字符串），不可变对象可复用，可变对象每次新建，应避免频繁创建大对象并优先使用原地操作。
-
处理大文件应避免全量加载，采用流式读取、分块处理、内存映射（mmap）和生成器等策略。例如逐行迭代、pandaschunksize、np.memmap及yield替代列表累积，配合资源管理与内存监控，可稳定处理百GB级文件。
-
psutil.virtual_memory().available是最接近“真实可用内存”的字段，但它仅表示内核估算的无需换页即可满足的内存，未考虑碎片、cgroup限制或locked页面，需结合percent看趋势，容器中应读取cgroup内存路径。
