-
浅拷贝只复制第一层引用，嵌套对象共享内存地址；深拷贝递归复制所有层级，完全独立但性能开销大；切片和dict.copy()是轻量浅拷贝快捷方式；判断独立性须用is或id()而非==。
-
Python数据类（@dataclass）本质是为简化“只存数据”的类的定义，省去重复的__init__、__repr__、__eq__等方法，让代码更清晰、健壮、易维护。适合用@dataclass的典型场景当你需要一个轻量、不可变（或可变）、结构明确的数据容器时，它比普通类或字典更合适：API响应解析：把JSON返回的用户信息、订单数据等映射成有类型提示的实例，IDE能自动补全字段，类型检查工具（如mypy）可校验配置对象封装：将分散的配置项（如数据库地址、超时时间、重试次数）聚合成一个类，支持默认值、
-
一个微服务应仅拥有一个专属数据库（或schema），以保障边界清晰；共用表会导致事务、锁和schema变更相互干扰，判断依据是变更节奏与一致性需求。
-
在Python中，绘制热力图使用seaborn库的heatmap函数。1)导入必要的库，如seaborn、matplotlib和numpy或pandas。2)准备数据，可以是随机生成的数组或实际的DataFrame。3)使用seaborn.heatmap函数绘制热力图，设置参数如annot、fmt和cmap来调整显示效果。4)添加标题并显示图形。5)处理缺失值时，使用mask参数，调整颜色范围时使用vmin和vmax参数。
-
requests.get()返回乱码或空内容主因是编码识别错误，应优先用response.content配合chardet或charset_normalizer推测编码再解码；它无法获取JS渲染内容，需查源代码或抓取API；须设timeout、重试机制及正确Cookie/Referer等头信息。
-
@lru_cache不能跨进程共享缓存，因其为纯内存实现，各进程缓存独立；fork后写入互不影响，不支持TTL，键需可哈希；跨进程/机器缓存应改用Redis等外部存储。
-
FastAPI更适合新项目，因其自带类型校验、异步支持和OpenAPI文档；Flask更轻量灵活，适合中小项目或需高度定制的场景，配合RESTx和Marshmallow可补足能力。
-
Python变量赋值无需声明类型，通过“=”将变量名绑定到对象，实现动态类型和引用机制，支持多重赋值与灵活命名，提升开发效率但需注意可变对象的共享副作用。
-
本文探讨在PyTorch训练流程中实现基于模型实时嵌入的动态采样策略时，为何不应将模型传入自定义Dataset的__getitem__，并提供更高效、可扩展、符合工程规范的替代方案。
-
Python装饰器利用函数为一等公民和闭包特性，通过@语法为函数添加功能而不修改其代码。如log_calls装饰器可记录函数调用日志，核心是外部函数返回嵌套的wrapper函数，wrapper保留对原函数的引用并扩展行为。functools.wraps确保被装饰函数的元信息不变。带参数的装饰器需多一层函数嵌套，形成“装饰器工厂”，如timer(unit)返回真正的装饰器。类也可作为装饰器，通过实现__call__方法，在实例中保存状态，适用于需维护调用次数或共享资源的场景，如CallCounter统计函数
-
Python路径应基于脚本位置动态生成而非硬编码：用Path(__file__).parent构建绝对路径，避免依赖当前工作目录；相对路径以工作目录为起点易出错，推荐统一以脚本位置为基准构造路径。
-
会。open()直接读大文件会因一次性加载全部内容导致MemoryError；应使用forlineinf:按行迭代，或用f.read(chunk_size)分块读取，chunk_size推荐8KB–64KB。
-
Python服务器巡检核心是“可执行、可感知、可追溯”：用subprocess/paramiko采集CPU、内存、进程、端口等指标，分级告警并静默去重，JSON+CSV+SQLite留存日志，测试48小时后上线。
-
答案：在Python异步编程中，异常需通过await触发并用try-except捕获；使用asyncio.gather时可设return_exceptions=True避免中断；Task异常需显式await或result()触发；超时场景需捕获TimeoutError，关键在于正确处理await层级以防遗漏异常。
-
Python进程池“阻塞”实为调度、序列化、资源竞争或系统限制所致：未及时get结果、传入不可序列化对象、未正确close/join、或ulimit超限。
