-
配置Python环境变量可提升Django项目的安全性与可维护性，避免敏感信息硬编码。推荐使用python-decouple或django-environ库从.env文件读取配置，或将系统环境变量通过os.environ注入，实现多环境灵活切换，同时应将.env加入.gitignore防止泄露。
-
混淆矩阵是评估分类模型性能的工具，通过sklearn的confusion_matrix()函数比较真实与预测标签。对于二分类，它输出包含TP、FP、TN、FN的2x2矩阵；多分类则生成NxN矩阵，行表示真实类别，列表示预测类别，直观展示模型分类效果。
-
最常用方式是正则匹配Unicode汉字区间：[\u4e00-\u9fff]覆盖常用字，[\u3400-\u4dbf]含扩展A区生僻字，[\u3000-\u303f]含中文标点；可组合使用，如re.findall(r'[\u4e00-\u9fff]+',text)提取连续汉字。
-
Python安全删除目录树需先修改只读权限再递归删除，推荐用shutil.rmtree配合onerror回调函数（如remove_readonly）处理PermissionError，该方法跨平台有效且避免shell命令风险。
-
GIL是CPython为保护内部数据结构而设的线程锁，仅限制CPU密集型多线程并行；I/O密集型任务、多进程、C扩展（如NumPy）及异步编程可绕过其限制。
-
Python并发性能瓶颈在于I/O模型、GIL限制和任务特性误判；需用cProfile、strace、psutil等工具定位CPU/I/O/锁真实瓶颈，再依任务类型选择multiprocessing、asyncio或混合策略，并避免全局锁与资源滥用。
-
rename()在同文件系统内重命名是原子操作，可静默替换目标文件且不可中断；跨文件系统需fallback到copy+unlink；os.rename()继承此特性，但需注意内容落盘需额外fsync。
-
图像处理自动化办公核心是用Python生态（Pillow/OpenCV/PyPDF2/PaddleOCR）构建稳定可维护的脚本，按“输入→处理→输出”封装函数、配置驱动、规避路径编码模式等细节坑，小步交付。
-
多线程结合分布式架构可显著提升Web爬虫效率。通过Python的ThreadPoolExecutor实现并发请求，减少I/O等待；使用队列和锁机制保障线程安全，并合理控制资源访问；进一步借助Redis等中间件构建分布式系统，实现任务集中调度与节点协同；配合代理IP、请求头轮换、会话复用等优化策略，有效应对反爬机制，确保高效稳定的数据采集。
-
np.ufunc.reduceat的核心行为是按索引切片归约：以indices中非递减整数为左闭右开切片起点，对每段调用ufunc归约，最后一段自动延至数组末尾。
-
上线前须解决稳定性与合规问题：设随机UA并轮换、带抖动等待、复用session并更新请求头、429/403/503时暂停IP；Redis用连接池；MySQL超长字段截断+脱敏；严守robots.txt及个人信息保护法。
-
多线程下需用threading.Lock串行化rich.progress.update()调用，主线程创建Progress和锁，子线程持task_id并在锁内更新；或改用Live配合线程安全状态管理；multiprocessing不支持Progress共享。
-
asyncio的核心是“不阻塞”而非“快”，通过事件循环调度awaitable对象（协程、Task、Future）实现高并发I/O；误用同步调用、漏await任务、混用同步/异步队列是常见陷阱。
-
基于图神经网络的推荐系统需围绕图构建、消息传递设计、负采样策略、损失函数选择和训练稳定性五环节展开：以用户-物品交互建模为二部图，可引入属性与高阶关系；优先选用LightGCN等轻量模型，消息传递层数设为2~3；负采样推荐batch内或热度加权方式，损失函数首选BPR或InfoNCE；训练中需L2归一化嵌入、监控Recall@20/NDCG@10并滑动验证，冷启动可借助子图微调或元路径初始化。
-
列表转集合使用set()可去重但无序，2.集合转列表用list()可能乱序，需排序可用sorted()，3.注意元素可哈希及转换不改变原对象。
