Python表达式和运算符是程序逻辑基础，包括算术（+、−、、/、//、%、*）、比较（==、!=、<、>等，支持链式）、逻辑（and、or、not，短路求值）三类，需注意优先级、结合性及行为细节。

Python函数学习关键在理解def、lambda、闭包、装饰器、作用域和调用栈五大机制，而非虚构的“第245讲”；def创建function对象，lambda仅支持表达式，装饰器失效多因调用时机或返回错误，闭包自由变量存在晚绑定陷阱。

子类通过定义与父类同名的方法实现方法重写，从而覆盖父类行为并实现多态；使用super()可调用父类方法以扩展功能，常用于__init__等特殊方法中。

Python处理CSV推荐csv模块（轻量、标准库）或pandas（功能强、适合分析）；小数据用csv，复杂操作选pandas；注意编码、换行、引号等细节及中文乱码、数据类型识别等问题。

Python处理JSON和XML需先统一数据模型：JSON用json模块解析并安全取值、类型转换；XML优选ElementTree或lxml，注意命名空间与混合内容；双向转换推荐dicttoxml/xmltodict；校验用jsonschema或XSD，异常需统一捕获记录。

安全删除文件应精准捕获FileNotFoundError：用try-except捕获该异常并忽略，保留PermissionError、IsADirectoryError等关键错误；避免用空except吞掉所有异常，也不推荐仅依赖os.path.exists预检（存在竞态条件）。

本文详解WooCommerceRESTAPI批量更新（/products/batch）失败的核心原因：错误构造JSON请求体（如手动拼接字符串导致格式非法），并提供符合官方规范的Python实现方案，确保请求被正确解析与响应。

入门机器学习应聚焦Python三件套（NumPy、Pandas、Matplotlib）的数据处理能力，跑通sklearn完整流程（数据→训练→预测→评估），并理解模型输出与关键指标含义，每天动手写20行真实代码建立闭环直觉。

Python中调用父类方法推荐使用super()，因其遵循MRO顺序，在多重继承中能确保方法正确且仅执行一次；而直接通过父类名调用易导致重复执行、跳过中间类等问题，代码脆弱且难维护。super()不仅适用于__init__，还可用于重写普通方法、实现Mixin组合、资源管理等场景，提升代码的可扩展性与模块化程度。

探索性数据分析（EDA）是数据分析的关键第一步，因为它为后续建模提供坚实基础。1.EDA帮助理解数据分布、缺失值和异常值等核心特征；2.识别并修复数据质量问题，避免“垃圾进垃圾出”；3.指导特征工程与模型选择，提升分析准确性；4.建立业务直觉与假设，挖掘潜在洞察。Python中常用库包括：1.Pandas用于数据清洗与操作；2.NumPy提供数值计算支持；3.Matplotlib实现高度定制化绘图；4.Seaborn专注于统计可视化；5.Scikit-learn辅助预处理与特征工程。识别与处理缺失值方法有

Python的Enum类型通过结合元类（Metaclass）和魔术方法（MagicMethods），特别是`__setattr__`，有效地强制实现其成员的只读访问。元类允许在类级别上定制属性设置行为，而`__setattr__`魔术方法则提供了在属性赋值时拦截并执行自定义逻辑的机制。这种设计确保了Enum成员一旦定义便不可修改，从而维护了枚举类型的数据完整性和一致性。

xlrd库用于读取.xls格式Excel文件，需安装1.2.0版本以支持旧格式；通过open_workbook()加载文件，获取工作表后可读取单元格值、类型，并遍历行或列数据；自2.0起不再支持.xlsx格式，推荐使用openpyxl或pandas处理新格式。

函数应只做一件事，按输入/输出边界、异常分支、复用意图、测试友好性四类场景拆分，确保职责单一、命名清晰、无副作用、易测易维护。

RNN通过隐藏状态传递时序信息，但难以捕捉长期依赖；LSTM引入遗忘门、输入门和输出门机制，有效解决梯度消失问题，提升对长距离依赖的学习能力，适用于语言建模、翻译等序列任务。

Python处理JSON数据的核心方法包括：1.使用json.dumps()将Python对象转为JSON字符串，可设置indent参数美化输出；2.用json.loads()将JSON字符串还原为Python对象，需注意格式合法性；3.利用json.dump()和json.load()实现文件读写，需正确打开文件模式；4.自定义default函数和object_hook函数处理复杂类型如自定义类。这些方法覆盖了JSON操作的常见需求，实际使用时需注意异常处理和格式验证。