-
数据可视化是模型优化的探针，需通过训练/验证双曲线定位过拟合或欠拟合，联动特征分布与错误样本发现偏差，对比实验须带置信区间，并嵌入流水线自动监控。
-
Python机器学习落地需完成从问题定义到持续监控的闭环，关键在于紧扣业务目标：明确可衡量任务、构建稳定数据管道、选择可控模型、建立轻量监控体系，并确保各环节可追溯、可干预、可复现。
-
字符串格式化通过f-string、.format()和%三种方式，将变量动态插入文本，提升可读性、维护性与安全性，并支持精度控制、对齐、进制转换等格式化功能。
-
asyncio.shield在需保障不可中断清理逻辑（如事务提交、文件关闭、关键日志写入）且外部可能随时取消协程树时必须使用；它仅保护等待过程不响应父级取消，不保护启动过程，须先create_task再shield，并显式await或cancel任务以防资源泄漏。
-
只需将fromdistutils.coreimportsetup替换为fromsetuptoolsimportsetup即可兼容大部分项目，但需注意废弃参数、继承类变更、NumPy移除numpy.distutils等问题，并推荐迁移到pyproject.toml。
-
优先使用pipinstall--user安装到用户目录绕过权限问题；必须全局安装时再提权，或用虚拟环境隔离；conda不支持--user，需配置用户包目录或重装到非系统盘。
-
Flask中os.getenv()读不到环境变量主因是环境未生效：.env修改后需重启服务，IDE运行需手动配置环境；生产禁用.env，应系统级设置；密钥须动态注入，推荐config.from_mapping()结合os.getenv()，并严格区分多环境密钥。
-
Python迭代器是__iter__和__next__构成的协议；for能遍历列表因其实现__iter__，整数无此方法故不可迭代；iter()先查__iter__再试__getitem__(0)；StopIteration在for中为正常退出信号，手动next()需捕获；生成器函数比手写类更轻量安全；itertools工具返回惰性迭代器，chain/islice/tee不缓存全量数据。
-
使用timestamp()方法可将datetime对象转换为秒级时间戳，如now.timestamp()输出浮点数；2.用int()转换为整数秒；3.乘以1000并取整得毫秒级时间戳；4.推荐使用带时区的datetime（如timezone.utc）避免时区错误；5.字符串时间可先用strptime解析再转时间戳。核心是时间转数字即转时间戳，注意时区与精度。
-
Python网络编程进阶核心是多客户端下TCP/UDP服务端的稳定高效实现：TCP用threading加锁或asyncio协程管理连接与状态，UDP需自行识别客户端并设计会话机制，混合场景中TCP负责可靠控制、UDP处理实时数据，上线前须日志、超时、抓包和压力测试。
-
覆盖率高不等于质量高：行覆盖仅表明代码被执行，未验证逻辑分支；分支覆盖需显式启用，对权限校验等关键逻辑更可靠；mock易致假覆盖；设阈值须结合风险、排除生成代码与胶水层。
-
抽象类是定义统一接口和强制子类实现逻辑的契约工具，需继承abc.ABC并用@abstractmethod标记必须重写的方法；含抽象方法则不可实例化，但可封装共用逻辑与类属性；子类须实现全部抽象方法，否则仍为抽象类；Protocol适用于轻量、松耦合的接口约定。
-
plt.scatter画散点图时需将DataFrame列转为数组（如.values），c/s参数不接受Series；三维图须用ax.scatter(projection='3d')；颜色尺寸映射需归一化或编码，NaN需预过滤。
-
sheet_name=None是读取Excel所有sheet的唯一正确方法，返回以表名为key、DataFrame为value的字典，不包含隐藏表，且需注意表名自动修正和内存占用问题。
-
JSONDecoder默认不支持NaN和Infinity，因JSON标准禁止这些值；可通过object_hook或parse_float（需strict=False）实现兼容解析，但编码时仍需自定义处理。
