-
Python采用“传对象引用”机制，即传递对象引用的副本。对于不可变对象（如整数、字符串），函数内部修改会创建新对象，不影响外部变量；对于可变对象（如列表、字典），函数内部的就地修改会影响外部对象，但重新绑定则不影响。因此，理解可变与不可变对象的行为差异是掌握Python参数传递的关键。
-
Python主要用于数据科学、机器学习、Web开发、自动化脚本和教育。1）在数据科学和机器学习中，Python通过NumPy、Pandas和Scikit-learn等库简化数据处理和模型训练。2）在Web开发中，Django和Flask框架使得快速构建Web应用成为可能。3）Python在自动化和脚本编写方面表现出色，适用于文件处理和系统管理任务。4）在教育领域，Python因其易学性被广泛用于教学。
-
读写锁通过区分读共享、写独占机制，提升Python多线程下读密集场景的并发性能，保障数据一致性。
-
本文探讨了DBT中引用被禁用模型导致错误这一常见问题，并提供了一个利用DBT选择器和标签的强大解决方案，以实现对模型执行的动态控制。通过对特定模型进行标记，并配置选择器在运行时排除它们，依赖模型仍能引用这些已存在的输出，从而有效地将它们视为数据源，无需修改ref调用，确保了项目的灵活性并避免了构建失败。
-
小文件宜直接读写，大文件需分块处理以节省内存，推荐使用shutil模块自动优化复制；关键在于根据文件大小平衡内存与效率，避免一次性加载未知大小文件。
-
使用datetime模块可解决日期格式混乱和时间间隔计算问题。首先通过datetime.now()获取当前时间，并用strftime和strptime进行格式化与解析；其次利用date和time类分别处理日期和时间；再通过timedelta计算时间差值；最后结合pytz或zoneinfo处理时区转换，确保跨时区时间准确性。
-
for循环适合遍历已知长度的序列，while循环适合条件未知、需动态判断是否继续的场景；前者专为列表、元组等可迭代对象设计，次数确定；后者靠条件控制，适用于用户输入、文件读取等不确定次数的情况。
-
做Python人工智能项目关键在于理清流程并踩对节奏。1.明确目标：先确定要解决的问题，如图像分类或聊天机器人，不同目标决定不同的技术选型和数据收集方式，别急着写代码，先画流程图理清结构；2.数据准备：AI模型依赖高质量数据，包括收集（如ImageNet）、清洗、统一格式和标注，建议使用Pandas、OpenCV、jieba等工具预处理；3.模型选择与训练：根据任务复杂度选用Scikit-learn、TensorFlow或PyTorch，图像任务可用ResNet迁移学习，NLP任务用Transformer
-
Python可视化不等于模型部署：前者用matplotlib等展示结果，属分析环节；后者是将模型打包为API服务供调用，如用Flask或Streamlit实现预测功能。
-
量化模型调优需坚持时序验证、方向性评估、特征驱动与过拟合防控：用滚动/扩张窗口划分数据，聚焦方向准确率与夏普比率等实盘指标，90%提升来自经济意义特征构造，辅以早停、正则与简单模型约束。
-
jsonpath模块用于快速提取JSON中特定字段，类似XPath处理XML。通过pipinstalljsonpath-ng安装后，可用parse解析嵌套数据，如提取所有书名或按条件筛选高价书籍，支持$、.、*、[?]等语法，简化复杂结构访问，避免手动遍历，调试时需注意路径错误不报错而返回空。
-
百分位数用于描述数据分布，Python可通过NumPy和pandas计算。百分位数表示数据中特定比例的值小于等于该值，如第90百分位数。常用分位点包括25（下四分位数）、50（中位数）、75（上四分位数）。1.NumPy使用numpy.percentile(data,p)计算，支持多百分位输入列表；2.pandas通过df['col'].quantile(q)实现，参数q为0-1小数，亦支持多分位计算。二者均涉及插值方法，默认线性插值，可选lower、higher等策略，影响结果尤其在小样本时需注意。
-
答案：Python中常用PCA、t-SNE、UMAP等方法降维。PCA适用于线性降维，通过标准化和主成分提取减少特征；t-SNE适合小数据集可视化，捕捉非线性结构；UMAP兼具速度与全局结构保留，优于t-SNE；监督任务可选LDA。根据数据规模与目标选择方法，影响模型性能与计算效率。
-
LightGBM调优需先分析数据分布再设定目标函数：目标右偏时用'regression_l1'或'huber'，分类任务需关注正样本不均衡问题。
-
答案：Python多线程受GIL限制无法直接设置线程优先级，但可通过queue.PriorityQueue实现任务优先级调度，使用ThreadPoolExecutor控制线程数量与资源分配，结合asyncio进行异步编程优化IO密集型任务，并在长时间任务中主动让出执行权以提升调度效率。
