-
callable返回True不保证对象能安全调用，仅检测__call__方法存在；可能因未初始化、参数错误等运行时异常失败，需结合类型检查、签名验证和守卫逻辑综合判断。
-
Python的int类型原生支持任意精度大整数，无需额外库；pow(a,b,m)是高效模幂运算唯一推荐方式；bin()/hex()转换比格式化更快，int(s,base)支持超长字符串解析。
-
设置n_jobs有时不提速甚至更慢，因算法本身不支持（如LogisticRegression的lbfgs求解器）、小数据下通信开销超收益、GridSearchCV与内层estimator双重并行导致OOM、Windows下spawn机制引发递归错误，以及pickle序列化大数组耗时。
-
DataParallel导致GPU负载不均的根本原因是其主从式设计：cuda:0承担梯度汇总、loss计算、输出拼接和参数更新，而其他GPU仅执行局部前向/反向，造成cuda:0显存高20%~30%、利用率持续95%+，其余卡常低于40%。
-
vars()本质是obj.__dict__的安全封装，仅对拥有__dict__的对象有效；无__dict__时（如__slots__类、内置类型）会抛TypeError，此时应改用hasattr检查或dir()+getattr组合获取属性。
-
填缺失值本质是业务判断而非技术操作：需结合字段含义选择策略，如分类变量用"Unknown"、时间序列慎用ffill、数值型需警惕均值/中位数假设，优先探索缺失模式再决策。
-
Python网页爬虫与数据清洗需分“获取”和“处理”两阶段：爬虫用requests+BeautifulSoup，注意headers、异常捕获和请求频率；提取优先用find/select而非正则；清洗按空值→格式→逻辑三级过滤；落地推荐SQL存储与函数封装。
-
Python部署本质是环境隔离、进程托管与网络暴露三层协同。需用venv/poetry隔离依赖，systemd/supervisord守护进程，nginx反向代理并配置HTTPS，禁用pythonapp.py直接运行。
-
Python中通过args和kwargs实现可变参数，args将位置参数打包为元组，kwargs将关键字参数打包为字典，二者结合可提升函数灵活性。示例：defexample(a,b,args,*kwargs):...可同时接收固定和任意数量的参数，适用于复杂输入场景。
-
np.sum()结果与预期不相等是因浮点数二进制表示固有误差，累积导致微小偏差；应使用np.allclose()等容差比较而非==，关键场景可改用Decimal或Kahan求和。
-
Flask应用启动时报sqlite3.OperationalError:nosuchtable，根本原因是SQLite数据库文件未初始化（即schema.sql未执行），导致posts表缺失；必须先运行初始化脚本创建表并插入示例数据，再启动Flask服务。
-
RotatingFileHandler通过maxBytes和backupCount按字节大小轮转日志：maxBytes设单文件最大字节数（如1MB），backupCount设保留备份数（如3个），写满后重命名并滚动删除最老备份；注意非实时触发、非进程安全、需确保目录权限及编码显式指定。
-
Dash上线子路径需设requests_pathname_prefix='/bi/'，Nginx配置proxy_pass末尾斜杠不可少；图表更新须返回新figure对象而非修改原data；多输入触发应查callback_context.triggered；用户数据须存dcc.Store，禁用全局变量。
-
Epoch时间变长主因是gc.collect()拖累训练，它强制CPU停顿、打断GPU流水线，导致GPU空转；TensorFlow2.x中eager模式下频繁调用会引发三重开销，应改数据流和对象生命周期而非依赖GC。
-
PyTupleObject比PyListObject更轻，因其无allocated字段、对象头更小、采用柔性数组紧凑布局，且0–20长度元组被全局缓存复用。
