-
opencc-python安装失败主因是PyPI包不包含libopencc.so等系统依赖，需先装libopencc-dev（Linux）、opencc（macOS）或改用opencc-python（Windows）；编码乱码须显式指定encoding='utf-8'；config选错致转换失准，应按地区选用s2tw等配置；大文件须流式逐行处理防内存溢出。
-
pd.cut默认返回Interval对象而非字符串标签，需显式传入labels=['低','中','高']才能获得自定义等级；bins为数字时做等宽分箱，样本数不均衡；等频分箱应使用pd.qcut，并注意重复值和空值处理。
-
先看nvidia-smi和htop比改代码更管用：若GPU-Util长期为0%但Memory-Usage占满，说明GPU在等数据；若GPU-Util持续95%+却无日志输出，可能是Python主线程在map中卡住；同步用htop观察CPU，单核100%锁死且GPU空闲则大概率是map内阻塞逻辑导致。
-
OpenCV是Python图像识别的起点，需掌握读图（注意BGR格式与中文路径）、显示（waitKey+destroyAllWindows）、灰度化（cvtColor）、缩放（resize及插值选择）、边缘检测（Canny）等核心操作。
-
Python并发核心在于理解执行模型：线程适用于IO密集型任务，协程用于高并发单线程调度，进程解决CPU密集型并行；GIL限制多线程并行但不阻碍IO并发，asyncio需避免阻塞调用，选型应依场景而定。
-
字典键不存在时，直接用dict[key]会抛出KeyError。安全访问推荐用.get()或.setdefault()，但二者用途和行为不同：前者只读不改字典，后者会写入默认值并返回它。get()：安全读取，不改变原字典.get(key,default)在键存在时返回对应值；不存在时返回default（未提供则返回None），且不会修改字典内容。适合“查一下，有就用，没有就算了”的场景多次调用不会产生副作用例：d={'a':1};d.get('b',
-
Python标准库json慢因纯Python实现及默认启用Unicode解码、对象钩子、重复键检查等安全逻辑；ujson和orjson用C/C++编写，跳过部分校验，速度快2–5倍。
-
引用计数无法解决循环引用，因互相持有引用导致计数永不归零；CPython依赖gc模块通过分代回收检测并清理容器型对象的循环引用，而不可变类型等不受GC管理。
-
df.info()是最轻量可靠的结构诊断方法，能一次性显示列类型、非空数量和内存占用，但默认不显全列、不显数值精度、易误判object列内容。
-
secure_filename仅清理非法字符和路径分隔符，不校验后缀、不处理空字节与Unicode归一化，必须在其后手动白名单校验后缀、清洗空字节、过滤前导点，并结合内容检测与Web服务器规则才能保障安全。
-
Python高阶函数的实际价值在于抽离重复逻辑、明晰数据流、支持行为配置，尤其适用于批量处理、规则统一和动态策略场景，能显著减少冗余、提升可维护性。
-
关键在于用tf.data.Dataset分别构建标记与未标记数据集，再通过zip同步配对，确保每步训练同时获取一个标记batch和一个未标记batch，避免拼接、错误填充标签或repeat不匹配等问题。
-
asyncio中不可用functools.lru_cache，因其不支持await、返回协程且无并发安全；应改用aiocache等原生异步缓存库，支持TTL、分布式锁及多后端。
-
用Matplotlib绘图关键在于掌握控制权：一、基础设置用样式切换与rcParams统一字体、防乱码；二、坐标轴用set_xlim/ylim、MultipleLocator及spines调整；三、图例用bbox_to_anchor定位，标题分层，annotate加注释；四、进阶用linewidth、alpha、fill_between及twinx优化细节，savefig设dpi和tight。
-
StreamingResponse默认启用chunkedtransferencoding，前提是不设Content-Length且ASGI服务器（如Uvicorn）支持；需注意Nginx缓冲、生成器yield频率与大小、前端读取方式及超时配置。
