-
Linux下psutil.sensors_temperatures()拿不到CPU温度，主因是coretemp等硬件监控驱动未加载；需手动modprobe或写入/etc/modules，且依赖psutil≥5.9.0；Windows原生WMI不支持，macOS需用smc工具（AppleSilicon暂不支持），跨平台必须基于运行时探测而非OS判断。
-
在Flask中，不能为同一URL路径（如/jobs/<job_id>）分别定义两个独立的视图函数（一个处理GET，一个处理POST），即使指定了methods=['POST']；必须将两种请求逻辑合并到同一个路由函数中，否则会因参数传递错误或路由匹配异常导致unexpectedkeywordargument等问题。
-
cross_val_score返回多个分数是因为默认执行5折交叉验证，每折独立训练验证并返回一个分数，形成长度为5的数组；这是设计特性而非bug，用于评估模型稳定性。
-
Python的with语句基于上下文管理器，核心是__enter__和__exit__方法：前者在进入时执行并返回对象，后者在退出时无论异常与否都执行清理；__exit__返回True可抑制异常，否则异常继续传播。
-
数据可视化核心是让数据讲清故事，需聚焦5–8个关键指标，用折线图、热力图、小提琴图等结构化呈现，并通过日志钩子+轻量前端实现可追溯、可对比、可诊断。
-
本文详解ExchangeLib中get_streaming_events()与sync_items()的本质区别，指出混用二者导致邮件获取失败的根本原因，并提供稳定、可复用的流式监听实现方案。
-
本文介绍一种高效、可扩展的方法：识别DataFrame中字符串列以问号、句号或感叹号结尾的行，为其生成不带末尾标点的新副本，并合并至原数据中，实现精准可控的行复制。
-
推荐使用FastAPI或Starlette等异步框架，配合asyncpg、httpx.AsyncClient等异步库和Uvicorn多worker部署，结合JSON优化、分页、Gzip压缩、分层缓存及数据库连接池与查询优化，全面提升高并发API性能。
-
NumPy中是逐元素乘（支持broadcasting），@才是矩阵乘法；用错会导致形状错误或数值错误，应严格按shape语义选择：矩阵乘用@，逐元素乘用或np.multiply，禁用np.dot。
-
open()是Python打开文件并返回文件对象的函数，核心参数为file（路径）和mode（模式，默认'r'），需注意编码、二进制模式、及时关闭（推荐with语句）及常见误用。
-
mongodump可直接按库/集合备份，Python仅作调度上传胶水层；需用cron定时、绝对路径调用、显式重定向日志、校验返回码与文件大小，并实施本地7天+云盘30天清理及定期恢复验证。
-
Datashader通过服务端栅格化解决百万级散点图渲染崩溃问题：将点映射到像素并聚合（如计数），输出NumPy图像数组，避免Matplotlib/Plotly为每个点创建对象导致的内存爆炸与DOM崩溃。
-
应使用TorchScript而非torch.load，因其生成无Python依赖的C++字节码，避免多进程反序列化失败；需eval()、固定输入shape/dtype、慎用trace、优先script；Flask中全局单例加载并显式.eval()和device绑定；预处理确保dtype/device一致，输出转CPU再tolist。
-
Skops是解决scikit-learn模型跨版本加载问题的事实标准，通过JSON+NumPy格式替代pickle，避免因类名变更、模块重命名或私有属性变动导致的反序列化失败；需用skops.save保存、skops.load(...,trusted=True)加载，支持类型白名单与HuggingFaceHub集成，且不依赖joblib或特定sklearn版本。
-
Python程序控制结构分为顺序、选择、循环三类：顺序结构按自然顺序执行语句；选择结构用if/elif/else实现条件分支；循环结构用while（条件驱动）和for（遍历驱动）实现重复执行。
