-
One-ClassSVM不适合直接做异常点单分类检测，因其本质是无监督异常检测模型，仅输出正常（1）或异常（-1），无法识别异常类型；对特征缩放极度敏感，需标准化；nu参数是上界约束而非异常比例目标；训练需纯正常样本、稳定数值特征，并依赖decision_function输出量化异常程度。
-
PyTorch中计算class_weight应使用sklearn.utils.class_weight.compute_class_weight("balanced",classes=np.unique(y_train),y=y_train)，仅基于训练集标签，结果转为torch.float32张量传入nn.CrossEntropyLoss的weight参数；权重按np.unique(y_train)顺序对齐，非标签原始值；无需手动归一化，默认reduction="mean"下PyTorch内部隐式归一；
-
本文详解在XarrayDataArray中基于时间坐标（如juld）安全、高效选取特定日期的方法，重点介绍.sel()的正确用法、常见错误原因及最佳实践。
-
本文详解Socket.IOPython服务端（基于python-socketio+eventlet）中服务端无法向客户端成功发送事件的根本原因，重点指出混用标准线程与eventlet协程导致的异步上下文丢失问题，并提供正确使用eventlet.spawn启动后台任务的完整修复方案。
-
requests.get()返回的response.text与浏览器显示不同，主要是因网页依赖JavaScript渲染，requests不执行JS；且编码解析常出错，应优先用response.content手动解码。
-
本文详解如何在PySpark中安全、高效地展开多个同结构嵌套数组字段，重点规避explode()链式调用引发的笛卡尔积式行数爆炸，显著提升性能并防止OOM（如错误代码52），推荐使用arrays_zip+explode组合替代多重独立explode。
-
离线安装含C扩展的库不能直接pipinstall源码包，因需gcc、python-dev等编译工具链，而离线环境通常缺失；应使用预编译.whl文件，确保系统架构、Python版本及ABI标签完全匹配。
-
functools.wraps是装饰器必备项，否则name和doc等元信息丢失，导致help()、inspect.signature()失效及日志、路由、OpenAPI异常。
-
aiofiles是专为asyncio设计的异步文件操作库，通过封装阻塞I/O为协程实现非阻塞读写，需用asyncwithaiofiles.open()获取异步句柄并await读写，配合Semaphore限流与批量写入提升高并发场景性能。
-
HDF5是一种高效的二进制数据存储格式，适合处理结构化的大规模科学数据。1.它支持多维数组、元数据和压缩，读写速度快、占用空间小；2.跨平台兼容性强，被多种语言支持，利于协作与归档；3.在Python中可通过h5py或PyTables库操作，使用简便；4.适用于数据量大、需部分读写、长期保存的场景，如机器学习和科研数据管理；5.注意避免频繁修改已有数据集，压缩需权衡性能，合理设计组结构以优化管理。
-
asyncio不自动处理背压，需开发者显式设计：用有界asyncio.Queue（maxsize>0）、Semaphore限流、避免put_nowait等陷阱，全程匹配生产与消费速率。
-
用Python构建跨平台桌面自动化任务引擎，核心是选对库、抽象操作逻辑、屏蔽系统差异；基于PyAutoGUI+platform实现基础动作层，用YAML定义任务流程，APScheduler调度，PyInstaller打包为单文件应用。
-
当向open()传入整数（如0、1、2）时，Python并不会报错，而是将其解释为操作系统级的文件描述符（filedescriptor），分别对应标准输入、标准输出和标准错误——这正是else分支被触发的根本原因。
-
Python集合去重依赖哈希表：元素必须可哈希，通过hash()定位位置，哈希相同再用__eq__()判等；不可变类型默认可哈希，可变类型需转不可变表示；平均时间复杂度O(1)。
-
PyQuery比BeautifulSoup更适合快速筛选，因其语法类似jQuery、底层基于高速lxml、支持链式选择器且容错简洁。
