-
Python协程的核心是事件循环、状态机与上下文切换的协同机制，关键在于理解async/await如何通过coroutine.send()调度任务、挂起恢复及避免阻塞。
-
这门课不是系统学习Pandas的合理路径——Pandas应按官方文档模块（DataFrame、GroupBy等）及实战问题（索引对齐、inplace陷阱、copy浅拷贝）掌握，而非线性编号课程。
-
Python中使用hashlib模块进行SHA256或MD5哈希计算，需先将字符串encode为字节，再调用相应算法的update()和hexdigest()方法；MD5因存在碰撞漏洞不推荐用于安全场景，SHA256更安全且广泛用于密码存储、数字签名等；但仅用SHA256仍不足，应对敏感数据加盐（salt）以防范彩虹表攻击，最佳实践是结合bcrypt、scrypt或pbkdf2_hmac等专用密码哈希函数。
-
类属性属于类、被所有实例共享，实例属性属于具体对象、各实例独立；访问时先查实例__dict__，再查类及父类__dict__；避免用可变对象作类属性。
-
本文详解如何在Dash多页应用中，用dcc.Dropdown替代默认的导航链接，实现下拉选择即跳转对应页面，并同步更新浏览器URL，兼容DashPages机制。
-
本文介绍如何通过Flask-SocketIO实现大型日志文件（如200MB）的实时、低开销流式传输，避免为每个用户启动独立SSH/tail进程，支持动态追加内容并高效推送至浏览器。
-
gevent通过greenlet实现轻量级协程，利用monkeypatch将标准库函数替换为非阻塞版本，结合事件循环自动调度I/O操作，在单线程中以协作式多任务模拟并发，使开发者能用同步写法编写异步程序，适用于I/O密集型场景。
-
Python字典高效使用需理解哈希机制：键必须不可变（如str、int、tuple），值可任意；优先用in判断存在性、get()提供默认值、update()批量更新、pop()安全删除；善用字典推导式和视图对象优化性能。
-
Python测试覆盖率不能等同于代码质量，关键在覆盖关键路径、边界条件和错误场景；需关注分支、条件、路径等细粒度指标，配合coverage.py与pytest-cov实践，并结合突变测试、静态检查等多维质量信号。
-
多线程在机器学习中无法加速CPU密集型模型训练，主要受限于Python的GIL机制。然而，在数据预处理、I/O密集型任务及模型推理阶段，并发线程可显著提升效率。例如，使用ThreadPoolExecutor并行加载图像或解析小文件，能有效减少等待时间；在Web服务部署中，多线程可同时响应多个推理请求，适用于低延迟场景。值得注意的是，当调用NumPy等底层C库时，GIL会被释放，部分数值计算仍可获得并行优势。为实现更优性能，建议采用多进程进行模型训练，而将多线程用于数据加载、日志记录等辅助任务，形成混合并发
-
大文件分块读取需按需加载数据块以避免内存溢出，分为按字节、按行、结构化格式及自定义上下文保持四类：字节分块用file.read(size)配rb模式；行分块用forlineinf或itertools.islice；CSV/JSONL/Parquet需专用库逻辑分批；跨块记录需buffer缓存并拼接。
-
set是基于哈希表的无序唯一可变容器，要求元素可哈希；list不可哈希故无法入set；tuple可哈希需其元素皆可哈希；去重可转可哈希表示；&与intersection行为一致但后者更灵活；set无索引，pop随机移除元素；遍历时修改会报错；带_update的方法原地修改。
-
Python可扩展系统设计核心是解耦、分层与预留演进空间：通过接口抽象（Protocol/ABC）、依赖注入、按业务域划分服务模块、配置驱动差异化行为，并内置可观测性与降级能力。
-
多线程适用于量化中IO密集型任务，如并发拉行情、批量下单、多账户监控及并行通知；不适用于纯计算类策略，应选multiprocessing或numba；推荐ThreadPoolExecutor，注意线程安全与资源管理。
-
Python3不支持b'%s'%obj这类直接字节串格式化，因其严格区分文本（str）与数据（bytes）。正确做法是先用字符串格式化（如'%s'%obj），再显式编码为bytes（如.encode('utf-8')），必要时配合%a和ASCII转义确保兼容性。
