-
requirements.in仅声明顶层依赖及宽松版本约束，由pip-compile自动生成含精确版本与哈希的requirements.txt；前者人工维护、进Git，后者机器生成、确保环境一致。
-
列表推导式中if过滤条件须置于末尾，如[xforxinnumsifx>0]；条件表达式需用if-else置于开头，如[x*2ifx>0else0forxinnums]，二者不可混淆。
-
Python中大写字母用长度为1的字符串表示，如'A'；可用string.ascii_uppercase或chr(ord('A')+i)生成A–Z；判断用.isupper()，转换用.upper()。
-
mongodump可直接按库/集合备份，Python仅作调度上传胶水层；需用cron定时、绝对路径调用、显式重定向日志、校验返回码与文件大小，并实施本地7天+云盘30天清理及定期恢复验证。
-
本文详解如何使用ColourScience库将多个色彩可视化元素（如RGB色域与黑体辐射轨迹）统一绘制在同一CIE1931色度图中，核心在于复用Matplotlib轴对象（axes），而非分别调用show=True。
-
SVD（FunkSVD）是协同过滤中最实用、最易落地的矩阵分解算法；它仅用已知评分通过梯度下降优化user/item隐向量，支持稀疏数据、避免NaN，需合理设lr（0.001起）、reg（≥0.01）、向量维度（20–100）并加裁剪，且评估须结合Top-K指标而非仅RMSE。
-
NumPy的np.dot更快是因为绕过Python解释器的类型检查、内存寻址和对象引用开销，直接在连续内存上执行BLAS级别点积，而非逐元素解释执行。
-
AB测试应优先用双样本t检验（ttest_ind），因总体标准差未知且样本常不满足z检验条件；二值指标用proportions_ztest更稳健；需先按用户聚合再检验以保证独立性。
-
pytest本身不支持键盘鼠标模拟，需借助pyautogui或pynput等第三方库；二者均依赖图形界面，不适用于CI无头环境，且需注意窗口聚焦、屏幕坐标、权限及跨平台兼容性问题。
-
pd.concat([df,new_row],ignore_index=True)是替代df.append()的唯一合规写法，new_row须为DataFrame或Series，字典需先转DataFrame，避免索引混乱与类型突变。
-
map/filter/reduce在多数场景并不省事，仅适用于极简转换；lambda受限于单表达式难以维护；itertools工具需严格匹配数据结构；装饰器与高阶函数混用易引发缓存失效或重复调用。
-
数组与字符串题核心是索引操作、双指针、哈希表和原地修改；链表题重在哨兵节点与快慢指针；二叉树聚焦递归遍历与回溯；DP需明确定义状态与转移方程；Python注意deque、join、tuple等细节。
-
推荐使用pyproject.toml（PEP517/518），setup.py仅兼容；必填字段包括name、version、description、readme、requires-python；必须用PyPIAPItoken而非密码，上传前需执行python-mbuild、twinecheck、本地pip安装三步验证。
-
Python原生循环在计算密集型任务中慢，因CPython需频繁类型检查、引用计数等；Cython提速关键在于cdef声明C类型变量、避免Python对象操作，并正确配置编译环境。
-
GroupBy后sum()返回空或报错KeyError，因pandas默认仅对数值列求和，非数值列被丢弃；列名错误、类型不兼容或空值处理不当亦会触发该问题。
