-
Python网络重试机制核心是精准判断可重试场景与合理退避：仅对临时性失败（如502/503/504/429）重试，禁用对4xx客户端错误等重试；推荐requests+urllib3原生重试策略，或自定义带抖动指数退避函数，并需配合超时、限流、日志及幂等设计。
-
FastAPI凭借Pydantic+Starlette+类型提示实现自动文档、数据校验和异步支持三合一，响应快、出错少、开发顺，适合高吞吐、强校验场景；5分钟可启动带SwaggerUI的API；Pydantic提供自动解析、校验与错误提示；async/await真提升I/O密集型并发性能。
-
filecmp.cmp()默认不能直接判断内容相同，因shallow=True仅比大小和修改时间；须显式设shallow=False才逐字节比对，返回True表示字节完全一致（含换行符、BOM等）。
-
flush刷新的是缓冲区里的待写入数据，确保print或write的数据立即发送至文件、终端或网络，而非延迟等待缓冲区满或程序结束。
-
lambda表达式用于创建匿名函数，语法为lambda参数:表达式，适用于map、filter、sorted和reduce等场景，如list(map(lambdax:x**2,[1,2,3,4]))返回[1,4,9,16]，list(filter(lambdax:x%2==0,[1,2,3,4,5,6]))返回[2,4,6]，sorted([('Alice',85),('Bob',90)],key=lambdax:x[1])按成绩升序排列，reduce(lambdax,y:x+y,[1,2,3,4])计算
-
set交集比in循环快，根本原因是set的&运算基于哈希表，平均O(min(m,n))；而list/tuple的in每次O(n)，嵌套成O(m×n)。必须两边都是set才触发C层哈希优化，否则回退慢路径。
-
RotatingFileHandler通过maxBytes和backupCount按字节大小轮转日志：maxBytes设单文件最大字节数（如1MB），backupCount设保留备份数（如3个），写满后重命名并滚动删除最老备份；注意非实时触发、非进程安全、需确保目录权限及编码显式指定。
-
map函数并非总比for循环快，仅在使用纯内置函数、大数据量且需惰性求值或多迭代器并行时有C层优化优势；其他情况常不如列表推导式。
-
logging.exception()更可靠，因它自动捕获异常上下文并强制ERROR级别记录，等价于logger.error("msg",exc_info=True)，简洁且不依赖前序日志状态。
-
Python中pickle和json都能实现对象序列化，但适用场景、能力边界和安全特性差异极大，不能简单互换。功能覆盖：pickle支持任意Python对象，json只支持基础数据类型pickle是Python原生序列化协议，能处理函数、类实例、嵌套自定义对象、带循环引用的结构等。例如：序列化一个包含方法、属性和内部状态的类实例（如datetime.datetime.now()）保存带有闭包的lambda函数（虽不推荐，但技术上可行）正确处理对象间相
-
pandas.read_csv()直接读大文件内存爆掉是常态，因默认全量加载+自动类型推断，2GBCSV内存占用可达6–8GB；含字符串列时更甚，且列名空格会导致字段引用错误。
-
首先确认Python3和pip已安装，若未安装则通过yum或dnf安装；接着安装python3-venv模块，使用“python3-mvenvmyenv”创建虚拟环境；然后执行“sourcemyenv/bin/activate”激活环境，此时可独立安装依赖；最后用deactivate命令退出环境，建议每个项目单独创建环境并用requirements.txt管理依赖。
-
本文详解Python函数内定义的变量为何在外部无法访问，并提供规范写法：通过return返回值并在调用处接收，避免因作用域限制导致的"NameError:name'xxx'isnotdefined"错误。
-
直接用pandas.read_csv()读千万行卡死，本质是默认C解析器逐行做类型推断和Python对象构造；改用PyArrow后端（engine="pyarrow"）并预设dtype、usecols等参数，可将1200万行读取从90秒降至15秒内、内存从8GB压至≤3.5GB。
-
本文介绍如何在Python中定义一个函数，使其能接收任意类型的元素和由该类型元素组成的列表，并通过类型检查确保列表中所有元素与输入元素类型一致。
