-
resample('Q')默认按自然季度（3/6/9/12月）切分，但财务季度需指定终点如'Q-APR'；须用agg()按列定义聚合逻辑，再用to_period().strftime('%Y-Q%q')格式化索引，并手动补全空季度。
-
Python自定义对象相等比较需正确实现__eq__和__hash__方法：__eq__须满足自反性、对称性、传递性，__hash__须与__eq__一致，可变对象应设__hash__=None，不可变对象按参与比较的字段计算哈希。
-
最直接的方法是使用datetime模块中的date或datetime对象相减，得到timedelta对象后调用其.days属性。首先将日期字符串通过strptime解析为datetime对象，或直接创建date对象，然后进行减法运算，结果的days属性即为天数差。该方法自动处理闰年和不同月份的天数差异，无需手动计算。若涉及时区，应使用pytz或zoneinfo创建带时区信息的“感知型”datetime对象，以确保跨时区计算准确。此外，timedelta还支持更精细的时间差计算，如通过total_secon
-
Python标准库json慢因纯Python实现及默认启用Unicode解码、对象钩子、重复键检查等安全逻辑；ujson和orjson用C/C++编写，跳过部分校验，速度快2–5倍。
-
@app.errorhandler(404)必须在app.run()前注册，且需显式返回状态码404；若在工厂函数、条件分支或蓝图中错误注册则失效，全局处理须用@app.errorhandler而非@bp.errorhandler。
-
应分层捕获FileNotFoundError、PermissionError等具体异常，优先使用with语句管理文件，关键数据写入采用临时文件+原子重命名，编码错误需显式指定errors参数或用二进制模式。
-
ClusterSpec是TensorFlow分布式训练的拓扑描述对象，用于定义集群中各任务的角色（ps/worker）、主机名和端口；不能直接写死IP地址，因其易变、端口易冲突、环境差异大，且会导致连接失败、配置不一致等问题。
-
Python生成随机数主要依赖random模块，该模块提供生成伪随机数的多种方法，包括random()、uniform()、randint()等函数用于生成浮点数和整数，choice()、sample()、shuffle()用于序列操作，并可通过seed()设置种子实现可重现性；需注意其生成的是伪随机数，不适用于安全场景，应使用secrets模块替代；在大数据量下推荐使用NumPy提升性能。
-
Python类型提示仅用于开发阶段静态检查和IDE支持，运行时完全忽略，不校验也不影响执行；需第三方库如pydantic或beartype实现运行时校验。
-
Python中可哈希对象需满足“相等对象哈希值相同”且哈希值生命周期内不可变；内置不可变类型（如int、str、tuple）默认可哈希，可变类型（如list、dict）默认不可哈希；自定义类需同时实现__hash__和__eq__方法，并确保参与哈希的属性逻辑不可变。
-
Docker环境下Django连接MySQL时，HOST必须设为docker-compose中定义的MySQL服务名（如'db'），而非'localhost'或'127.0.0.1'；需授权用户允许'%'主机访问，并安装mysqlclient依赖，同时通过healthcheck和wait-for-it确保MySQL就绪后再启动Django。
-
request.endpoint返回当前请求匹配的视图端点名，由路由注册时指定，默认为函数名；蓝本下带前缀，手动指定则完全无关函数名；None表示未匹配路由或不在请求上下文。
-
扁平化嵌套列表的核心是根据嵌套深度和数据规模选择合适方法：递归适用于任意深度但受限于调用栈；生成器结合yieldfrom兼顾性能与内存；itertools.chain.from_iterable适合浅层嵌套且效率高；sum()方法简洁但性能差；列表推导式限于固定两层。处理混合类型时需用isinstance(item,list)排除字符串等可迭代对象，避免误拆。通用推荐为生成器方案，既高效又支持深层嵌套。
-
np.loadtxt()和np.genfromtxt()不支持encoding参数，需先用open()按指定编码读取再交由NumPy解析；大文件用生成器逐行处理；编码不明时用chardet探测，UTF-8带BOM用'utf-8-sig'，GBK兼容推荐'gb18030'。
-
数据可视化核心是让数据讲清故事，需聚焦5–8个关键指标，用折线图、热力图、小提琴图等结构化呈现，并通过日志钩子+轻量前端实现可追溯、可对比、可诊断。
