-
Python时间比较需确保类型一致、时区明确、精度合理：1.datetime与date不可直接比较，须统一类型；2.naive与awaredatetime不可比，应转为UTC-aware；3.浮点精度差异需归一化处理；4.timedelta仅可与timedelta比较，不可与datetime混用。
-
hatch默认不识别monorepo子包，需显式配置workspace.members；poetry需子包声明include才能安装；二者运行命令时工作目录策略不同，CI中应显式指定--cwd。
-
高可用是“挂了也能扛住”，需主动设计失败路径：对所有外部调用设timeout和有策略的retry；状态存储必须用Redis/PostgreSQL，禁用本地内存或文件；/health端点须检查关键依赖且超时≤1s。
-
本文介绍如何在保持发送顺序的前提下，将原本同步阻塞的send_to_space()调用转为非阻塞异步执行，从而显著提升批量任务吞吐量，同时无需修改原函数、不依赖线程且避免竞态风险。
-
本文深入剖析自定义mymax函数在字符串比较中结果“不一致”的根本原因，指出其混淆了字典序比较与长度比较两种语义，并提供符合Python内置max()行为的健壮实现方案，支持任意可迭代对象及key参数。
-
sklearn分类器直接在fit()中传sample_weight即可，无需修改损失函数；LightGBM/XGBoost统一用sample_weight参数（注意DMatrix底层差异）；PyTorch需在loss中手动加权；验证阶段必须禁用权重以避免评估失真。
-
逻辑回归调优关键在于数据预处理、正则化调节、评估指标选择与特征工程。需标准化、独热编码、合理填充缺失值；用GridSearchCV调C参数；重视AUC与概率校准；通过非线性变换和领域特征提升效果。
-
Python中大量对象创建确实会带来明显的性能开销，核心原因在于内存分配、初始化函数调用、引用计数更新和垃圾回收压力。这不是“写法错误”，而是语言运行时机制决定的客观限制。对象创建开销主要来自哪几块？每次MyClass()执行时，CPython会依次做：在堆上分配内存（涉及内存池管理，小对象走obmalloc，仍有开销）调用__new__（默认由object.__new__完成，但需查找和分发）调用__init__（哪怕空方法，也是函数调用+栈帧创建）为每
-
本文介绍使用Python自动化提取含指定PL编号的完整数据块（从Name行到下一个Name行前），并按PL值分别保存为独立文件，适用于数千条记录的批量处理场景。
-
nlargest比排序更快是因为它仅维护大小为k的最小堆，时间复杂度O(nlogk)，避免全量排序O(nlogn)；当k接近n时优势消失，且返回结果不保证内部有序。
-
必须使用requests.Session()复用连接池以避免重复TCP/TLS握手，配合aiohttp.AsyncResolver和超时拆分（connect/read）可显著降低高频请求延迟。
-
使用Git进行版本控制，通过初始化仓库、添加文件、提交更改和推送远程仓库实现协作；创建功能分支开发避免主干污染；规范提交信息并结合PullRequest进行代码审查；配置.gitignore忽略缓存与敏感文件；使用虚拟环境隔离依赖并导出requirements.txt确保环境一致。
-
路径由根目录、目录层级、文件名和特殊符号组成，Windows用C:\或/为根，Linux/macOS以/为根；目录间用/或\分隔，推荐用os.sep或pathlib避免兼容问题；文件名含主名与扩展名；.代表当前目录，..为上级目录，~指用户主目录，应使用os.path或pathlib模块处理路径。
-
未await的任务不会立即内存泄漏，但存在未处理异常静默丢失、资源无法释放、无限任务阻塞事件循环三类风险；应跟踪任务、适时await或加异常/清理逻辑，并设置全局异常处理器。
-
多个线程或进程并发写同一文件易导致数据错乱，需用对应锁机制：线程用threading.Lock保护共享文件对象并flush；进程用multiprocessing.Lock、flock或分文件写入；异步写入需通过线程池配合asyncio.Lock；推荐临时文件+os.replace实现原子更新。
