-
局部变量比全局变量快2–5倍，因Python编译时确定其栈帧固定偏移，运行用LOAD_FAST索引取值；全局变量需LOAD_GLOBAL哈希查字典。用dis.dis()可验证：STORE_FAST/LOAD_FAST为局部，LOAD_GLOBAL为全局。
-
pd.read_excel读取日期变数字或乱码，因Excel用浮点数存日期且pandas不自动识别；数字型需用pd.to_datetime(x,unit="D",origin="1899-12-30")转换，中文文本需指定format或预处理，读取时用converters更可靠。
-
async-lru能直接装饰asyncdef函数，但必须用@alru_cache()（带括号），否则装饰器未生效；它基于asyncio.Lock保证并发安全，缓存键由可哈希参数生成，不支持TTL、不可哈希类型或session实例传参。
-
如何用librosa处理音频频谱？1.安装librosa及其依赖库numpy、matplotlib、scipy；2.使用librosa.load()加载音频文件获取时间序列和采样率；3.通过librosa.stft()计算短时傅里叶变换并转换为幅度或分贝谱；4.利用matplotlib绘制频谱图，设置坐标轴和颜色条以增强可视化效果；5.注意音频格式支持、单双声道选择、参数调整及频谱数据保存。整个流程涵盖加载、变换、可视化等关键步骤，适用于音乐识别、语音识别等领域。
-
mask=~np.any(np.isnan(arr),axis=1)是剔除含NaN行的核心表达式，返回不含缺失值的行掩码；需确保arr为数值型dtype且axis=1正确，object类型需预处理或改用pd.isna()。
-
推荐用pathlib.rglob()遍历配置文件，配合is_file()和后缀过滤；正则替换需用re.MULTILINE和注释排除；原地修改必须先备份并校验编码；I/O密集任务优先单线程串行处理。
-
<p>Pandas循环慢是因为逐行触发Python解释器开销、类型检查和索引查找，绕开了底层NumPy的C优化；应优先使用df['col']=df['other_col']*2等向量化操作，性能可提升数十倍以上。</p>
-
np.sin、np.cos等ufunc函数对数组每个元素独立执行数学映射，不改变形状；输入须为数值型，角度需转弧度；np.exp为e^x，np.log为自然对数；广播先计算后扩展，提升性能。
-
DFA比正则更适合敏感词过滤，因其预构状态转移图后单次扫描即可完成所有匹配，时间复杂度稳定为O(n)，而正则需逐条匹配、回溯频繁，词库超500条时性能断崖下降。
-
README.md必须放在项目根目录、文件名严格为README.md，首段用1–3行纯文本说明功能，且pyproject.toml中description字段需同步填写纯文本摘要，否则PyPI页面显示“Nodescription”。
-
必须继承BaseEstimator和TransformerMixin，否则无法被Pipeline或GridSearchCV识别：前者提供get_params/set_params支持超参搜索，后者提供fit_transform默认实现。
-
Python在企业落地数据分析的核心是打通“数据→分析→决策→反馈”闭环。需稳定对接数据库/API等真实数据源，分析过程要可复现、可解释，结果须嵌入业务系统（如API、企微机器人），并建立反馈闭环验证效果。
-
for循环在NumPy中特别慢，因Python解释器需反复进行类型检查、对象查找和引用计数，而NumPy数组是连续内存中的同构数据块，应通过向量化操作（如ufunc、布尔索引、np.where）而非Python层循环来利用CPU批量处理能力。
-
可通过调用地图API获取地理坐标或逆地理编码信息。一、使用requests库发送HTTP请求，安装后构造GET请求访问高德地图API，传入地址与密钥并解析返回的JSON数据提取经纬度。二、调用百度地图API需先注册获取AK密钥，构建含地址与AK的请求链接，通过requests.get()发送请求并从响应中提取location中的lat和lng值。三、高德地图逆地理编码将经纬度转为结构化地址，申请Web服务Key后，向regeo接口发送包含location参数的请求，解析regeocode.addressC
-
combine_first本质是用右侧数据填充左侧空值，并非条件填充；需警惕索引类型不一致导致的静默错位、object类型强制转换及数值运算失败，推荐先align预对齐。
