-
方差检验通过分析数据变异判断多组均值差异是否显著。使用Python的scipy.stats可实现单因素ANOVA，如f_oneway函数计算P值，若小于0.05则表明至少两组均值存在显著差异；需满足正态性、方差齐性和独立性假设，不满足时可用Kruskal-Wallis等非参数方法替代。
-
Faker('zh_CN')可生成中文姓名，但需pipinstallfaker[zh_CN]安装中文扩展；手机号号段需自定义覆盖；地址层级错乱时应分调province/city/district或用行政区划树校验。
-
Python定义类用class关键字，类名用大驼峰，属性在__init__中通过self赋值，方法首参为self，类属性和静态方法分别用于共享数据与无状态操作。
-
Python正则表达式高频应用包括：数字匹配（如\d+、\d{3}-\d{4}-\d{4}）、邮箱与URL提取、噪声清理（re.sub去空格/标签/中文）、格式验证（fullmatch+先行断言）。
-
在异步Telegram机器人中使用DjangoORM进行多对象原子更新时，需通过transaction.atomic+select_for_update()+F()表达式组合防范竞态条件，确保读-判-写逻辑的线程/协程安全。
-
Python中迭代器和生成器实现懒加载以节省内存，迭代器需实现__iter__和__next__方法，生成器函数用yield简化编写并自动支持状态暂停与恢复。
-
PySpark是Python在大数据生态中的重要工具，适合处理海量数据。它基于Spark的分布式计算能力，支持并行处理数十GB到TB级数据。与Pandas不同，PySpark可跨节点分片数据，避免内存限制。安装需配置Java、ApacheSpark和PySpark包，本地模式适合开发测试。核心结构包括RDD和DataFrame，后者更推荐使用。常用操作如select()、filter()、groupBy()等，注意惰性执行机制。性能优化建议：用Parquet格式、减少shuffle、合理分区、适当缓存，并
-
asyncio的核心是“不阻塞”而非“快”，通过事件循环调度awaitable对象（协程、Task、Future）实现高并发I/O；误用同步调用、漏await任务、混用同步/异步队列是常见陷阱。
-
使用locals()可查看函数内局部作用域的变量字典，如my_function中输出{'a':1,'b':'hello'}；2.globals()返回模块级全局命名空间，包含变量、函数和导入模块等；3.dir()不传参时列出当前作用域名称，适合交互环境浏览，但函数中建议用locals()获取局部变量。
-
魔术方法用于定义对象在特定操作下的行为，应仅在语义清晰、符合直觉时重载；运算符需有明确数学或领域含义；实现__eq__通常需配套__hash__，比较方法应保持一致性。
-
Pythonthreading模块不提升CPU密集型任务性能，因GIL限制；启动线程须调用start()而非run()；Lock需acquire/release配对或用with管理；join()应设timeout防阻塞；IO密集才适用threading。
-
路径由根目录、目录层级、文件名和特殊符号组成，Windows用C:\或/为根，Linux/macOS以/为根；目录间用/或\分隔，推荐用os.sep或pathlib避免兼容问题；文件名含主名与扩展名；.代表当前目录，..为上级目录，~指用户主目录，应使用os.path或pathlib模块处理路径。
-
本文介绍在API开发等需精细控制错误流的场景中，如何避免raise异常、改用函数返回值显式传递成功/失败状态与错误信息，提供装饰器封装和Result类型两种Pythonic实现方案。
-
Python枚举（Enum）用于定义命名常量，提升可读性与维护性；自3.4起内置enum模块，提供Enum、IntEnum、Flag等类；支持name/value属性、auto()自动赋值、类型安全比较及位运算。
-
Scikit-learn是Python中用于传统机器学习的开源库，基于NumPy、SciPy和Matplotlib构建，提供统一接口实现分类、回归、聚类、降维、模型选择与数据预处理；其易用性强、文档完善、稳定性高，广泛兼容Pandas和NumPy，适用于从数据预处理到模型评估的全流程，但不支持深度学习。
