-
Python闭包的核心价值是让函数记住定义时的环境变量，实现轻量级状态保持；可封装可变状态替代简单类、延迟绑定配置、支撑装饰器机制，但需注意循环捕获、变量作用域等陷阱。
-
re.compile()能显著提升正则性能，适用于循环匹配、函数内反复调用及模块级常量复用三类场景；需复用Pattern对象而非仅调用一次，实测提速2–5倍。
-
立刻知道死信队列消息堆积需主动监控其实时长度，如RabbitMQ须调用管理API获取messages值，结合连续3次30秒间隔均超5条的趋势判断，避免瞬时误报。
-
async_sessionmaker创建后必须await才能获取活跃会话，其返回的AsyncSession所有操作（如execute、commit）均需await，否则协程不执行；select()查询须用awaitsession.execute()，不可直接调用scalars().all()；异步引擎须用create_async_engine及对应异步驱动，连接池须用NullPool；事务需显式管理，避免跨await边界混用begin/commit/rollback。
-
Python类型提示默认完全不影响运行时行为，仅作为元数据存入__annotations__字典，不验证、不转换、不干预执行；需依赖mypy等静态检查器或typeguard等运行时库才能实现类型校验。
-
Polars已成为GB–10GB级单机大数据处理的事实标准，凭借列式内存、惰性执行、零拷贝和多线程并行，性能比pandas快8–15倍且内存低30%–40%；vaex仍适合百亿行数据秒级探索但生态断层明显；pandas因稳定性和功能完整性在小数据、语义操作及交互开发中不可替代。
-
使用Python可自动按扩展名分类文件：通过os和shutil模块遍历“待整理文件”目录，根据预定义的file_categories映射关系，将.txt、.jpg等文件分别移入“文本文件”“图片文件”等子文件夹，未匹配的归入“其他文件”，实现高效批量整理。
-
Python文本去重需先明确定义“重复”类型：行级、句子/段落级、哈希级或语义级；对应采用set/dict.fromkeys、标准化预处理、xxhash流式计算或TF-IDF/Sentence-BERT等策略，同时注意编码、索引与上下文。
-
1.选择Neo4j作为知识图谱后端的核心优势包括其原生图存储能力、高效的Cypher查询语言、ACID事务支持、高可用性、扩展性以及活跃的社区和完善的文档。2.在Python中高效转化非结构化数据为知识图谱的步骤依次为：文本预处理、命名实体识别（NER）、关系抽取（RE）、事件抽取、实体与图谱模式映射，以及通过Python的Neo4j驱动批量导入数据。3.使用Python与Neo4j交互时常见的挑战包括大数据量导入性能低、复杂图查询效率差，对应的优化策略有利用Cypher的UNWIND子句进行批量操作、创
-
Python中恒为Falsy的值有9种：None、False、数值零（0、0.0、0j）、空序列（''、[]、()、range(0)）、空映射（{}、set()、frozenset()）及__len__返回0的空容器；其余均为Truthy。
-
Python虚拟环境用venv模块创建，核心是隔离项目依赖以避免版本冲突；需在项目根目录执行python-mvenvvenv创建，再通过source或activate.bat激活；激活后pip安装仅作用于该环境；可用pipfreeze>requirements.txt导出依赖，pipinstall-r复现；遇冲突、权限混乱或需切换Python版本时应删除重建；IDE需手动指定venv内解释器路径。
-
Python闭包捕获变量引用而非值，内部函数调用时访问外部变量当前值；循环中创建闭包易共享同一变量导致错误，可用默认参数或闭包工厂解决。
-
应统一配置管理：用pydantic-settings作为唯一入口，禁用直接调用os.getenv或configparser；pyproject.toml仅存工具链配置；按环境变量加载对应配置文件；避免热更新，优先重启进程。
-
print()默认输出到sys.stdout，可通过file参数指定sys.stderr；推荐用perr()封装函数实现语义清晰、安全可控的错误输出。
-
CI/CD流水线pipinstall失败主因是网络不稳、默认PyPI源不可靠及缓存缺失；应指定国内镜像源、加--no-cache-dir、锁requirements.txt版本。
