-
self是实例方法的第一个形参，由Python解释器在通过实例调用方法时自动绑定当前对象；它非关键字，但为约定俗成的命名惯例，绑定发生在调用时刻而非定义时刻，依赖描述符协议实现。
-
NumPy数组比Python列表运算更快，因其采用内存连续存储、向量化操作和固定数据类型，结合广播机制与基于C的高效函数，显著提升大规模数值计算性能。
-
答案是使用列表推导式、while循环结合str.find或re.finditer可查找字符所有位置：1.列表推导式遍历enumerate获取索引；2.while循环用find持续查找并更新起始位置；3.re.finditer配合正则提取匹配位置，注意特殊字符需转义；4.可封装为函数复用。
-
Flask的before_request必须在app实例创建后、run()前注册，工厂模式需在create_app内注册，蓝本需用bp.before_request单独挂载；多个钩子按注册顺序执行，任一异常中断后续；应使用app.logger安全记录日志，避免耗时操作；与after_request非自动配对，异常时after_request不执行，需用teardown_request兜底；默认不拦截静态文件和404，需禁用自动静态路由或使用WSGI中间件实现全局拦截。
-
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。
-
functools.wraps是装饰器必备项，否则name和doc等元信息丢失，导致help()、inspect.signature()失效及日志、路由、OpenAPI异常。
-
不会。socket和http.client不支持with语法，因未实现上下文管理协议；urllib.request.urlopen和requests.Session则显式支持，但需注意手动关闭响应体及异常不吞掉。
-
系统可扩展性设计需聚焦瓶颈识别与领域驱动拆分，高可用须落实熔断、超时、兜底等细节，技术选型应权衡维护成本与业务需求，遗留系统演进重灰度过渡而非推倒重来。
