-
SMOTE效果变差因盲目过采样放大噪声、生成错误区域样本，尤其在高维稀疏或类别重叠时；须仅在训练集操作、先降维或调k值、检查重复行。
-
Python基础核心是变量、条件和循环：变量是对象的标签，动态类型；条件用缩进和if/elif/else实现，支持链式比较与布尔自动转换。
-
Dask能缓解千万级CSV内存压力但非开箱即用；dd.read_csv()支持惰性分块加载，需全程延迟执行并谨慎compute()，否则更慢更耗内存。
-
树莓派pip安装常卡在“Buildingwheel”阶段，因ARM架构编译资源有限、默认swap仅100MB，编译大库易OOM导致假死；需增大swap、换清华源（含apt主源、raspi.list和pip.conf）、优先用apt装预编译包（如sudoaptinstallpython3-opencv），或强制二进制安装。
-
pytest运行失败时加--pdb参数可自动进入pdb调试器，停在异常抛出处；--trace用于逐行调试，--pdb-on-failure无效时可用assertFalse伪造失败触发pdb。
-
本文详解为何连续调用put_item会导致DynamoDB记录被覆盖，并推荐使用update_item原子更新方式，配合SET操作一次性写入多个属性，确保数据完整性与并发安全性。本文详解为何连续调用`put_item`会导致DynamoDB记录被覆盖，并推荐使用`update_item`原子更新方式，配合`SET`操作一次性写入多个属性，确保数据完整性与并发安全性。在DynamoDB中，put_item的语义是「全量写
-
最直接的方法是使用哈希表统计元素频率，再找出最大值。遍历列表，用字典记录每个元素出现次数，然后遍历字典找出计数最大的元素。Python中可用collections.Counter优化实现，大规模数据可采用分块处理或数据库方案。
-
Web时间序列预测核心是安全稳定直观地提供预测能力，需模型与部署分离、合理API设计、简洁前端展示；推荐ARIMA/SARIMAX、Prophet、LightGBM/XGBoost等轻量可解释模型，用FastAPI构建带校验与缓存的预测接口，前端以ECharts+Axios实现趋势可视化。
-
Python解释器启动时先执行C层初始化（如Py_Initialize），再构建sys.path并加载内置模块，接着创建__main__模块执行用户代码，源码解码则按需在import或执行时进行。
-
正确方法是用pd.Categorical显式指定categories列表和ordered=True，再sort_values；否则map/argsort等方式易因缺失值、未映射项或大小写导致排序错乱。
-
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。
-
Python异常检测可视化核心是“先识别、再标记、最后呈现”：依数据特征选Z-score/IQR（单变量）、IsolationForest（多变量）等方法检测异常，用布尔索引精准对齐原始数据，再通过Matplotlib/Plotly醒目标注并附验证说明。
-
根本原因是生成器未真正流式yield，而是在内存中攒完整文件再返回；需确保每次yieldbytes且分块读取（8KB–64KB），避免read()或getvalue()，并正确设置Content-Length和Content-Disposition。
-
tkinter是Python标准库，无需安装；PyQt5/6、PySide2/6、wxPython等需用pip安装；初学者推荐tkinter入门，中大型应用可选PyQt6或PySide6。
-
gunicorn+gevent是Django应对突发高并发最稳妥的轻量级方案之一，需正确配置monkeypatch、连接池及worker参数，否则易卡死或丢请求。
