-
定义函数用def，调用函数直接使用函数名加参数。函数可返回值、支持多种参数类型，作用域遵循LEGB规则，闭包能捕获外部变量，提升代码复用与灵活性。
-
Transformer的核心是解决RNN/CNN的长程依赖与并行计算瓶颈，通过Self-Attention（Q/K/V机制）、位置编码、残差连接与LayerNorm等设计实现高效建模。
-
Python推荐系统核心是理清“用户—物品—交互”关系并匹配算法：有行为日志用User-CF/Item-CF，仅物品属性用Content-Based，冷启动用混合策略；预处理需构建稀疏矩阵并中心化；Item-CF适合工程落地；Surprise库可快速验证SVD等模型。
-
Python的round()采用“四舍六入五成双”而非四舍五入，如round(2.5)得2、round(3.5)得4；浮点精度问题会加剧误差，真·四舍五入应使用decimal模块或整数缩放法。
-
numpy.savetxt只能导出纯文本（如CSV），不支持Excel二进制格式，其默认空格分隔符导致Excel误解析为单列，从而出现“错位”；正确做法是用pandas.DataFrame中转并显式指定sep=","、header=True等参数，或通过Excel“数据→从文本/CSV”手动导入。
-
本文介绍如何基于轮转法（Round-Robin）自动生成一个包含所有不重复两两配对的三维矩阵，适用于偶数选手的公平赛程安排，确保每轮配对互斥、每对仅出现一次。
-
Python推导式在多数场景下比传统循环更快，但性能差异取决于数据规模、操作复杂度和具体写法；关键在于高效编写而非是否使用，简单映射过滤优先用列表推导式，复杂逻辑仍推荐for循环。
-
使用max()和min()函数可直接找出列表中的最大值和最小值，如max([10,3,25])返回25，min(["apple","banana"])返回"apple"；支持数字、字符串等可比较类型，空列表会抛出ValueError；通过key参数可实现自定义比较，如max(words,key=len)找最长字符串；处理混合类型或自定义对象时需确保可比性或使用key函数，建议预先检查空列表并做异常处理。
-
Python抽象类通过abc模块实现，继承ABC并用@abstractmethod标记强制子类实现的方法，支持抽象属性、静态/类方法，用于建模接口契约而非具体实现。
-
f-string更值得默认使用，因其是Python3.6+原生语法糖，书写直白、运行最快、支持运行时表达式求值，且避免了%s和format()常见的参数匹配错误与冗长语法。
-
可通过Python官网归档页面或pyenv、Anaconda工具获取旧版Python。首先访问python.org，进入Downloads菜单下的完整版本列表，使用Ctrl+F搜索目标版本（如3.7.9），点击进入后下载对应操作系统的安装包（macOS用户选.pkg文件）。此外，可利用pyenv管理多版本：通过Homebrew安装pyenv后，运行pyenvinstall--list查看可用版本，执行pyenvinstall3.8.10安装指定版本，再用pyenvglobal或local设置使用版本。另一
-
tenacity是Python生产环境最稳妥的重试方案，因其支持业务逻辑错误判断、自定义条件、日志可观测及与异步/熔断等机制协同，而requests.Retry仅限网络层容错。
-
默认只读第一个sheet是设计行为，必须显式指定sheet_name=None才能读取全部，返回以sheet名为key、DataFrame为value的字典，非法参数如'all'会报ValueError。
-
Python中的int类型是整数类型，没有大小限制。1)可以处理非常大的数字，无需担心溢出；2)支持丰富的操作，如加减乘除和位运算；3)整数除法需注意/返回浮点数，//返回整数；4)使用numpy可优化大规模整数运算。
-
不推荐在Django中直接使用APScheduler，因其为单进程内存调度器，多worker下会重复执行、热重载时任务注册冲突、无持久化导致重启丢失、无法适配Django生命周期；推荐轻量用django-crontab（复用系统crond），动态管理则选django-celery-beat。
