-
dir函数用于查看对象的属性和方法，调用dir()可列出当前作用域名称，dir(对象)则返回该对象的属性与方法列表，如dir(list)查看列表方法、dir("hello")查看字符串方法；常用于快速浏览模块内容，如importos;dir(os)，结合help()深入了解方法，适合交互式环境使用，返回值为字符串列表，双下划线开头结尾为特殊方法，日常关注普通名称即可，多练习可快速掌握。
-
Python函数副作用控制的核心是确保相同输入始终产生相同输出且不意外修改外部状态，常见副作用包括修改可变对象、全局变量、I/O操作及实例属性；应通过不可变数据、纯/操作函数分离、边缘化副作用、显式标注与针对性测试来实现可控。
-
闭包保存状态时变量必须被引用而非赋值，否则触发UnboundLocalError；应使用nonlocal或可变容器；闭包捕获引用而非值快照，需防共享陷阱；适合轻量单行为场景，调试可用__closure__查看捕获值。
-
答案是使用json模块的load()和loads()方法分别从文件和字符串读取JSON数据，需注意编码和异常处理。
-
二分查找法在有序数组中高效查找目标值，时间复杂度为O(logn)。通过维护left和right指针确定搜索范围，每次比较中间元素与目标值，相等则返回下标，中间值小则调整left，大则调整right，循环直至找到目标或范围为空。非递归实现使用while循环，递归实现需传递边界参数，调用时需确保数组有序，注意mid计算方式及循环条件left≤right。
-
threading比multiprocessing更适合IO密集型任务，因GIL不阻塞系统调用，IO等待时线程让出CPU，其他线程可继续执行；而multiprocessing启动开销大、通信成本高，属过度设计。
-
Seaborn可视化核心是厘清变量角色：分类变量用于分组或着色，数值变量承载分布或趋势，回归线仅适用于存在明确因果关系的变量对；countplot和catplot展示分类频次，boxplot/violinplot/stripplot对比类别下数值分布，regplot/lmplot添加合理回归线，relplot统一调度分组、分面与趋势。
-
FileField和ImageField在数据库中仅存储文件路径字符串，实际文件由default_storage后端写入磁盘或远程存储；删除数据库记录不会自动删除文件，修改字段值也不会移动原文件；MEDIA_ROOT需设绝对路径并确保写权限，MEDIA_URL必须以/开头结尾，且开发时需在URLconf中显式配置static()服务媒体文件，生产环境应由Nginx/Apache托管；request.FILES中的文件对象需通过模型字段save()或default_storage.save()安全保存，不可
-
groupby后agg返回Series或DataFrame取决于聚合参数类型：单函数单列聚合常返Series，多函数、字典或列表参数则返DataFrame；混用lambda易报错，应优先用内置字符串函数。
-
Vue调用DjangoAPI出现401或CSRFtokenmissing，根本原因是Django默认启用CSRF保护而axios不自动携带X-CSRFToken头；需前端登录后获取token并手动注入请求头，Django端配置CSRF_COOKIE_HTTPONLY=False、SAMESITE适配跨域，并确保CORS与Cookie域、HTTPS代理头等生产环境设置正确。
-
argparse中应通过--color和--no-color双参数共用dest='color'并设default=None实现三态控制，避免仅用--no-color导致语义混淆；配合colorama/rich时需将args.color主动传入初始化参数，并在None时按终端能力自动fallback。
-
数据库连接池耗尽的典型表现是Flask应用返回TimeoutError或请求卡在engine.connect()、session.execute()上，响应时间飙升——根本原因是连接未及时归还。
-
返回值用于将函数结果传递给调用者，使其能参与后续计算或逻辑。1.可返回计算结果，如add(3,5)通过returna+b得到8；2.return可提前结束函数，如check_age根据条件返回并终止执行；3.支持返回任意类型，如列表[1,2,3]或多个值"Alice",25（元组）；4.无return或仅return时返回None，表示无有效输出。返回值增强函数复用性与模块化能力。
-
Dijkstra适用于非负权图求单源最短路径，Bellman-Ford可处理负权边并检测负环，Floyd-Warshall求解所有顶点对最短路径，A*用于启发式搜索；根据图的规模、权重特性选择合适算法。
-
文本挖掘三大关键步骤是分词、词频统计和LDA主题建模；需用jieba分词并优化停用词与专有名词处理，结合TF-IDF加权统计词频，通过一致性得分确定主题数并用pyLDAvis可视化，最终以人工命名主题、典型文档标注和图表呈现结果。
