-
遇到嵌套字典报RecursionError主因是循环引用而非层级深；应使用id()去重、栈模拟递归、生成器yield提取字段，并警惕object_hook性能陷阱及非内置dict类型兼容性问题。
-
Python局部变量访问更快的根本原因是其直接通过栈帧数组索引获取，而全局变量需按LEGB规则逐层字典查找，每次多2～3次开销；global关键字不加速读取，仅解决赋值作用域问题。
-
导出ONNX时推理结果对不上，大概率是dynamic_axes未正确设置；需为输入输出中动态维度（如batch、seq_len、num_boxes）在input_names/output_names一致的键下明确声明，否则ONNXRuntime会按固定shape处理导致不匹配或数值偏差。
-
Django-guardian必须配置三步：INSTALLED_APPS加'guardian'、AUTHENTICATION_BACKENDS加'guardian.backends.ObjectPermissionBackend'、执行migrate；缺一即has_perm永返False。
-
read_csv默认慢因dtype未指定导致类型推断：先扫描部分行再回退重读，易出错且耗时；正确做法是用列名匹配的dtype字典（如{'col':'Int64'}），配合usecols和low_memory=False禁用推断。
-
串口通信常见问题及解决方案：设备未插、权限不足、端口号错误占90%；Linux/macOS需配置用户组权限，Windows注意端口名格式；避免裸写Serial初始化，应设超时、清缓存、用read()或read_until()替代readline()；多线程必须单线程操作串口并用队列通信；正确使用reset_input_buffer()清接收缓存，flush()仅用于确保数据发出。
-
DiceLoss能缓解U-Net边缘模糊，因其直接优化预测与真实掩码的重叠比例，增强对边界像素的梯度拉动；但需联合BCELoss、避免标签模糊、正确实现softdice及合理后处理才能见效。
-
纯数据读取场景下，sqlalchemy.core通常比sqlalchemy.orm快1.5–3倍，因绕过对象生命周期管理；但orm在需对象行为、关联操作时更优，二者应按场景混合使用。
-
time.sleep()限流仅适用于单线程脚本，多线程下各线程独立休眠导致QPS失控；ratelimit库默认线程本地计数，需配合锁和全局计数器；异步环境应使用asyncio.Semaphore与后台补令牌任务；生产环境多实例必须用Redis+Lua原子操作，避免超卖。
-
字典键报错TypeError:unhashabletype:'list'是因为list等可变类型不可哈希，而frozenset作为不可变集合可作键，但要求其元素本身必须可哈希，且不递归冻结嵌套对象。
-
GraphConv要求节点特征维度必须严格匹配in_feats参数，否则报mat1/mat2形状错误；feat需为float32；train_mask必须是布尔张量或索引张量且长度等于节点数；NodeDataLoader中drop_last和batch_size需协调避免小批量归一化异常；模型保存需同步图结构与特征，防止加载后key缺失或NaN。
-
批量重命名文件需先预览再执行：用pathlib获取文件列表并检查，按规则构造新名，执行前模拟输出、用户确认，捕获异常并提示，建议记录映射关系以支持回滚。
-
递归函数的核心是函数自我调用并设停手条件。首先确定基线条件（如n≤1时返回n），再定义递归步骤（如fibonacci(n-1)+fibonacci(n-2)），确保问题规模缩小。常见陷阱包括无限递归导致的RecursionError和重复计算带来的性能问题，可通过记忆化（缓存已计算结果）优化。递归适合处理树、图等递归结构问题，代码简洁但有栈溢出风险；迭代则性能更优、内存更省，适合线性问题。两者可相互转换，如阶乘可用for循环替代递归。调试递归时可用print追踪调用栈或使用pdb调试器，结合画图和“信任递
-
不能直接在Jinja2模板中用Python切片脱敏，因其沙箱机制禁用下标操作和内置函数；需注册全局过滤器phone_mask()并校验空值与格式，模板中用{{phone|phone_mask}}调用。
-
本文详解如何在DRF中正确实现基于Token认证的用户资料（如first_name）更新功能，涵盖序列化器逻辑修正、视图层数据绑定、权限与认证配置，并指出原始代码中create()方法误用、request.auth访问时机错误等关键问题。
