-
Python的re.sub()函数用于正则表达式替换，基本用法是替换固定字符串，如将“apple”替换成“orange”。1.使用正则表达式可替换动态内容，如替换数字为“#NUMBER#”。2.常见场景包括清理空格、去除标点、匿名化手机号。3.替换时可用函数动态生成内容，如将数字乘以2。4.注意事项包括大小写敏感、贪婪匹配、性能问题及分组替换技巧。掌握这些方面可灵活应对多数替换需求。
-
Python字典基于哈希表实现，依赖键的不可变性保障哈希值稳定，通过开放寻址法处理冲突，装载因子超2/3时自动扩容；内存与性能优化需关注初始化方式、键存在性判断及遍历方法。
-
性能回归测试是围绕关键路径建立可重复、可对比、可归因的质量守门机制，聚焦高频核心接口、资源敏感操作和数据库关键路径三类场景，通过自动化嵌入CI/CD、环境可控的轻量级基准测试与关联用例执行，结合火焰图、SQL分析、内存快照等根因定位手段，由开发自测担责并遵循《性能红线手册》。
-
使用whichpython或whichpython3可查找Python可执行文件路径；2.运行python-c"importsys;print(sys.executable)"获取解释器实际路径；3.通过python-c"importsys;print(sys.prefix)"查看安装根目录；4.自定义安装需配置环境变量，将PYTHON_HOME和PATH添加至~/.bashrc或~/.zshrc；5.执行source命令使配置生效，并用echo$PYTHON_HOME、echo$PATH及python-
-
应使用type(obj)istuple而非isinstance(obj,tuple)，因NamedTuple等tuple子类会使后者误判；type检查确保仅匹配原生tuple，避免结构假设错误。
-
GitHubActions轻量高效，适合中小型Python项目；Jenkins灵活可控，适合复杂流水线；二者可混合使用，统一配置保障CI可信性。
-
lru_cache基于参数的hash()结果生成缓存键，而非对象身份或简单值比较；内置不可变类型按值哈希，自定义类默认按ID哈希，可变类型直接报错。
-
shape是NumPy数组的属性，返回表示各维度大小的元组。例如：一维数组shape为(n,)，二维为(行,列)。可直接通过arr.shape=(m,n)修改形状（元素总数不变），或用reshape()方法安全重塑。如arr=np.array([1,2,3,4])，则shape为(4,)；arr2=np.array([[1,2],[3,4]])，shape为(2,2)。也可用arr.shape[0]获取行数。注意原生列表无此属性，需转为ndarray。Pandas的DataFrame同样支持shape属性
-
Python智能文件归档核心是“识别规则+分类动作+安全执行”，通过文件类型、时间戳、文件名关键词三类规则分类，并内置预览、去重、备份与日志等安全机制。
-
梯度累积是解决显存不足的核心方法，通过分批计算梯度并累积后统一更新参数，配合AMP、梯度检查点、8-bitAdam等显存优化策略可有效支撑大模型训练。
-
OSI七层模型是网络通信理论，由物理层到应用层依次为：物理层、数据链路层、网络层、传输层、会话层、表示层、应用层；Python虽不定义该模型，但其socket编程对应传输层，HTTP请求属应用层，数据处理涉表示层；掌握OSI有助于Python开发者理解协议原理、定位网络问题、优化程序设计。
-
OpenCV是Python视频处理的首选库，因为它性能高效、功能全面、与Python生态集成度高且拥有活跃社区支持。1.它底层由C++编写并优化，提供接近原生速度，适合大规模或实时视频处理；2.提供从视频读写到高级计算机视觉任务的完整工具链，无需切换库；3.拥有完善的文档和庞大的社区资源，便于学习和解决问题；4.图像数据以NumPy数组形式存在，方便与其他科学计算和机器学习库无缝协作。
-
Python并发爬虫应依场景选异步协程或多线程：asyncio+aiohttp适合高并发轻量请求，需用Semaphore控并发、优化DNS；threading+requests适合中等规模带反爬任务，需独立Session和请求间隔；须配节流、重试、异常隔离与动态调速，并解耦解析存储以保吞吐。
-
Python中tuple不可变的根本原因在于其设计目标是作为不可变序列容器，内存布局固定、支持哈希、语义上表达不变性；但仅保证引用不可变，内部可变对象内容仍可修改。
-
memoryview切片不拷贝数据，因其仅持原内存地址与描述，切片仅调整指针偏移和长度；bytes切片则必拷贝。
