-
StreamingResponse不能直接返回大文件，因其默认读完迭代器才发响应头，导致无法设置Content-Length且内存溢出；须用生成器分块读取、设media_type、加Accept-Ranges和Content-Range支持拖拽。
-
__iter__必须返回新迭代器而非self，因可迭代对象与迭代器职责分离：前者负责生成，后者管理状态；否则多次遍历失败，违反PEP234契约。
-
应设置handle_unknown="ignore"参数，使OneHotEncoder对预测时新出现的未知类别输出全0向量，避免报错；v1.3+版本还可选"infrequent_if_exist"。
-
sklearn分类器直接在fit()中传sample_weight即可，无需修改损失函数；LightGBM/XGBoost统一用sample_weight参数（注意DMatrix底层差异）；PyTorch需在loss中手动加权；验证阶段必须禁用权重以避免评估失真。
-
Pythonasync程序变慢主因是“假异步”：混用同步阻塞操作（如time.sleep、requests）、协程串行执行、CPU密集任务阻塞事件循环、资源超发。应改用async对应方案、并发调度、线程池卸载及限流控制。
-
as_completed返回异步生成器，须用asyncfor消费并await获取结果；它不支持索引、len等操作，会吞异常且不限并发，需配合Semaphore控流，与gather的核心区别在于按完成顺序而非输入顺序返回结果。
-
GraphConv要求节点特征维度必须严格匹配in_feats参数，否则报mat1/mat2形状错误；feat需为float32；train_mask必须是布尔张量或索引张量且长度等于节点数；NodeDataLoader中drop_last和batch_size需协调避免小批量归一化异常；模型保存需同步图结构与特征，防止加载后key缺失或NaN。
-
本文介绍如何在不使用显式循环的前提下，对二维NumPy数组按第三行（索引列）分组，并高效提取每组中第一行（数值列）的最大值所对应的整行数据。核心方法是利用np.lexsort进行多关键字排序与布尔索引组合。
-
应捕获特定网络异常而非Exception：requests对应ConnectionError、Timeout、HTTPError（需status_code≥500）；httpx对应ConnectError、TimeoutException；重试3次，采用带抖动的指数退避；必用functools.wraps保留签名；非幂等请求如POST需业务层控制重试。
-
requests.get()默认将响应体全部加载到内存，大文件易导致OOM；应使用stream=True流式下载，配合iter_content分块写入磁盘，并配置超时、重试与连接复用以增强健壮性。
-
掌握Python类的关键是从基础结构入手，通过数学建模实践理解面向对象编程。首先学习定义类的属性和方法，如Point类计算点到原点距离；接着将数学对象封装为类，如向量、矩阵、多项式和复数类；再结合math或numpy增强运算能力，例如实现圆的面积、周长计算；最后通过动手实践，编写分数类、三角形类和二次函数类，在Jupyter中绘图验证，提升代码清晰度与可维护性。
-
高精度人脸识别关键在于数据、特征与流程协同：用dlib获取68点关键点并提取128D嵌入向量，OpenCV负责预处理与可视化；需高质量正脸图像（每人15–20张，光照均匀、±15°内姿态）、对齐归一化及适度增强；注意复用detector、清理内存、添加活体检测、启用AVX2加速及预存embedding以提升性能。
-
csv.reader默认按RFC4180解析双引号字段：用双引号包裹的字段视为整体，内部双引号需写成两个（""）且整个字段必须被引号包围，否则报错。
-
find()和find_all()用class过滤时必须传列表，因BS匹配class属性完整值而非CSS语义；class_参数需下划线；id过滤更稳定但需注意唯一性；解析器选lxml或html5lib可解决容错问题。
-
本文详解如何使用Pandas定位包含“FinancialServices”的所有字符串条目，将其标准化为单一标签，并合并对应数值（如Count），实现数据清洗与聚合的一体化操作。
