-
requests请求异常需分层捕获：先处理socket.gaierror等网络层异常，再捕获requests.exceptions.Timeout、ConnectionError等，最后用raise_for_status()处理4xx/5xx状态码。
-
重放机制本质是状态快照+可重现执行，核心在于控制非确定性来源，需固化输入、环境、关键状态（如随机种子、外部响应），并隔离时间、并发、I/O等隐式依赖。
-
zscore返回NaN需先检查并过滤NaN/inf，或用nan_policy='omit'；阈值3不普适，应结合分布和业务调整；多维数据需区分字段级与样本级检测；pandas计算慢时优先用scipy.stats.zscore。
-
Pythondocstring必须用三重双引号，紧贴def下方无空行，首行摘要后需空一行；类型提示优先于docstring类型描述，风格（Google/NumPy）须统一。
-
AI岗位核心要问题建模、数据敏感度、算法理解深度和工程落地闭环能力；三类岗位分别侧重数学与论文复现、分布式工程与线上指标、多模态集成与Prompt设计；Python程序员需补数据质量校验、模型全周期管理、无监督/小样本问题解决能力。
-
eval()危险因动态执行不可信代码，应改用json.loads()或ast.literal_eval()；requests必须设timeout防雪崩；浮点比较须用math.isclose()；日志配置应封装函数并单次调用。
-
NumPy提升数值计算效率的关键在于向量化操作、广播机制、预分配数组、原地运算及合理数据类型选择。需避免Python循环，用a+b代替列表推导式，利用广播实现无显式循环的数组扩展，优先使用np.float32和C连续布局，并通过+=等就地操作减少内存开销。
-
直接open()+readlines()会爆内存，因为readlines()将整个文件一次性加载进内存，产生远超文件大小的字符串对象开销；应改用forlineinf:或自定义带异常处理的生成器。
-
StringIO和BytesIO是内存中的类文件对象，应直接传给json.load()等函数，而非套用open()；StringIO处理str，BytesIO处理bytes；注意seek(0)、编码、内存占用及Python2/3兼容性。
-
any()函数用于判断可迭代对象中是否有至少一个元素为True，例如any([False,False,True])返回True，any([])返回False；常用于检查条件是否存在，如判断列表是否有正数或字符串是否包含某字符，与all()不同，any()只需一个True即返回True，适用于简化条件判断逻辑。
-
高可靠API服务的关键在于出错后快速自愈，需组合重试、熔断、降级与可观测性四大机制：重试应对瞬时故障，熔断防雪崩，降级保核心体验，可观测性确保恢复行为可验证。
-
必须选TimedRotatingFileHandler，并设when='midnight'、utc=True、delay=True、suffix='%Y-%m-%d'、backupCount=30；错误日志需单独logger并设propagate=False；归档交由logrotate处理，启用copytruncate和dateext；时区须统一为UTC或显式配置，确保时间戳对齐。
-
Python列表是底层用C实现的动态数组，以指针数组存储对象引用，其性能由扩容机制、引用特性、内存连续性共同决定：append均摊O(1)但单次可能O(n)，索引访问O(1)而中间增删平均O(n)，存储开销固定，遍历缓存友好但对象内存不连续。
-
chardet检测不准因依赖字节统计推断，对短文本、混合编码及无BOM的GBK/GB2312文件易误判；应结合confidence过滤、优先试utf-8再回退gbk，并推荐charset-normalizer替代。
-
本文详解为何直接@patch无法影响类属性中提前执行的函数调用，并提供可靠方案：结合patch.object与importlib.reload在模块重载前替换目标函数，确保类属性初始化时即使用模拟返回值。
