-
PydanticV2的model_validate比V1的parse_obj快1.5–2.8倍，实测10万条5层嵌套数据耗时1.32svs3.47s，主因是改用typing.Annotated和编译式验证逻辑。
-
浅拷贝只复制对象第一层引用，嵌套可变对象仍共享内存；深拷贝递归复制整个对象树，完全隔离。常用浅拷贝方法有copy.copy()、切片等，深拷贝唯一标准是copy.deepcopy()。
-
Python项目配置加载策略核心是环境分离、动态加载、避免硬编码，推荐环境变量驱动或PydanticSettings方案，辅以YAML/JSON多文件管理，并注意加载时机、类型注解与生产安全。
-
requests默认不支持jitter，需继承urllib3.Retry并重写get_backoff_time()方法添加随机扰动，推荐使用JitterRetry子类配合HTTPAdapter配置allowed_methods和status_forcelist。
-
Polars已成为GB–10GB级单机大数据处理的事实标准，凭借列式内存、惰性执行、零拷贝和多线程并行，性能比pandas快8–15倍且内存低30%–40%；vaex仍适合百亿行数据秒级探索但生态断层明显；pandas因稳定性和功能完整性在小数据、语义操作及交互开发中不可替代。
-
pip默认全局安装是因为历史设计未强制检查虚拟环境，启用require-virtualenv配置可强制拒绝全局安装，但需pip≥20.1且配置路径正确，最佳实践是将venv创建与激活设为默认流程。
-
pyenv是用于管理多版本Python的命令行工具，解决不同项目需使用不同Python版本的问题。它通过修改PATH和shims机制实现版本切换，支持安装、全局/局部版本设置及与虚拟环境集成，常用命令包括install、global、local和version，轻量稳定，适合频繁切换场景。
-
直接用os.environ赋值会污染全局环境，导致测试间干扰和偶发失败；应使用pytest的monkeypatch.fixture，如setenv()和delenv()，确保作用域隔离与自动还原。
-
Python中反斜杠是字符串解析起点而非运行时转义，发生在编译阶段；应避免单个\结尾、慎用r""处理路径，优先用pathlib或os.path.join，原始字符串与Unicode直写更安全可靠。
-
Python类型检查主要靠mypy实现，它通过静态分析类型注解提前发现错误；需正确添加类型提示、配置mypy并融入开发流程，包括安装运行、pyproject.toml配置、处理第三方库缺失提示及编辑器和CI集成。
-
描述符必须定义在类上才能生效，动态添加到实例会失效；正确方式是直接赋值给类（如A.dynamic_attr=MyDescriptor()），而非实例或类的__dict__；移除需delattr(A,'attr')；推荐用ToggleableDescriptor等封装方案替代频繁修改类属性。
-
Flask需依赖极验等第三方SDK实现行为验证码，因其提供服务端校验、前端行为采集与动态挑战机制；纯图片生成函数无法验证真实操作、行为指纹、防重放及风控能力。
-
Python中用_csv模块读取CSV文件，本质是调用C语言实现的底层解析器，性能高、内存占用低，适合处理大文件或对效率有要求的场景。但注意：_csv是内部模块，不推荐直接导入使用；标准做法是导入csv模块——它正是对_csv的封装，接口稳定且功能完整。用csv.reader读取普通CSV文件适用于结构清晰、无复杂引号或换行符的CSV数据。先用open()以文本模式打开文件（Python3默认utf-8，如有乱码需显式指定encoding）传入文件对象给csv.reader()，返回一个可迭代对象逐行遍
-
category类型能省内存，但仅适用于唯一值占比低于50%的低基数字符串列，如性别、省份等，可省60%–90%内存；高基数列反而增加开销。
-
delattr删除不存在属性会抛AttributeError，应先用hasattr检查或直接try/except捕获；delattr支持字符串属性名实现动态删除，而delobj.attr仅支持硬编码名称。
