-
piplist显示当前环境已安装包但默认过滤可编辑安装包，pipfreeze则导出可复现安装的精确依赖列表，二者语义与用途截然不同。
-
@app.errorhandler(404)必须在app.run()前注册，且需显式返回状态码404；若在工厂函数、条件分支或蓝图中错误注册则失效，全局处理须用@app.errorhandler而非@bp.errorhandler。
-
np.sum()结果与预期不相等是因浮点数二进制表示固有误差，累积导致微小偏差；应使用np.allclose()等容差比较而非==，关键场景可改用Decimal或Kahan求和。
-
本文介绍在Polars中向现有DataFrame批量添加空列的标准、高效方法，重点推荐使用pl.lit().alias()配合with_columns()，避免低效的crossjoin操作，兼顾性能、可读性与Polars原生表达风格。
-
不能用random.choice(list(file))读大文件，因为会一次性加载全部内容进内存导致MemoryError；正确方法是用os.stat()获取总大小、random.randint()选字节偏移、seek()定位后向前找换行符，再readline()读取并解码。
-
torch.export不能直接导出ONNX，需先用torch.export得到ExportedProgram，再通过torch.onnx.dynamo_export或第三方工具转为ONNX；要求模型可追踪、无副作用、输入仅为Tensor/tuple/dict、动态尺寸需显式声明。
-
冷热数据分离需手动实现，DjangoORM不支持自动分区；须通过多数据库路由、定时归档任务和结构一致但索引精简的冷表来实现，时间阈值必须全局统一。
-
rolling()默认右对齐，前N−1行不足时返回NaN；需中心对齐用center=True；时间序列优先用rolling('5D')；min_periods=1可首行出值但掩盖稀疏问题；apply()须返回标量，推荐lambdax:x.quantile(0.5)；skipna默认True，min_periods控制有效值下限；多列直接df.rolling(5).mean()自动广播。
-
特征工程是通过理解业务与数据分布，提升特征对目标变量的解释力、降低噪声与冗余的过程；包括缺失值处理（数值型用均值/中位数，类别型新增“未知”或用众数）、慎删样本等。
-
pip升级后报错主因是路径错位、工具链脱节与缓存污染；应优先验证python-mpip--version，再手动将用户级Scripts/bin路径加入PATH，并同步升级setuptools、wheel与pip。
-
TensorFlow1.x需禁用急切执行并传入完整图：tf.compat.v1.disable_eager_execution()后定义占位符、变量等节点，再用tf.summary.FileWriter("./logs",graph=tf.get_default_graph()).close()导出；否则TensorBoard显示“Nographdefinition”。
-
Python多线程不适合CPU密集任务，核心原因是全局解释器锁（GIL）的存在——它强制同一时刻只有一个线程执行Python字节码，即使在多核CPU上，也无法真正并行执行计算密集型代码。CPU密集任务会被GIL串行化GIL是CPython解释器为内存管理安全而加的一把“独占锁”。当一个线程在做纯计算（如循环累加、矩阵运算、加密解密）时，它会一直持有GIL，其他线程只能等待。结果是：多线程跑CPU密集任务，耗时几乎和单线程一样，甚至更慢（因线程切换开销）。例
-
Tkinter开发GUI需三步：创建根窗口并调用mainloop()；用grid()/pack()布局控件如Label、Entry、Button；通过command或bind绑定事件，用StringVar等变量类管理状态。
-
三引号字符串是真实字符串对象而非注释，出现在语句位置即被创建；用作docstring须紧贴def/class下一行，多行文本拼接时注意缩进保留，嵌套引号需匹配，f-string与三引号组合需谨慎处理跨行和性能。
-
描述符必须定义在类上才能生效，动态添加到实例会失效；正确方式是直接赋值给类（如A.dynamic_attr=MyDescriptor()），而非实例或类的__dict__；移除需delattr(A,'attr')；推荐用ToggleableDescriptor等封装方案替代频繁修改类属性。
