-
Python处理日期时间最核心的是datetime模块，含date、time、datetime、timedelta四大类；支持当前时间获取、字符串解析与格式化、加减比较运算及时区处理（推荐zoneinfo）。
-
Qdrant支持对已有集合持续追加新向量和元数据，无需删除重建；关键在于避免使用recreate_collection，改用create_collection（仅首次调用），并确保每次插入记录时使用全局唯一ID。
-
使用set_index()+reindex()组合，基于连续整数范围重索引DataFrame，再用fillna(0)填充缺失响应值，最后reset_index()恢复CATEGORY列为普通列，即可高效、简洁地补全全部500个分类并保持有序。
-
Python批量请求需用Session复用连接、ThreadPoolExecutor并发、分层捕获异常并统一收口结果。关键包括：连接池调优、线程安全复用Session、按错误类型重试、结构化存储成败结果。
-
本文详解如何在FreeOpcUa（或opcua-asyncio）中正确声明OPC-UA自定义结构体（如ST_NameValue），注册为服务端数据类型，并创建其长度为20的ExtensionObject数组变量，解决因直接使用Python类引发的KeyError:'ST_NameValue'和AttributeError:ObjectIdshasnoattribute等核心错误。
-
Python在企业落地数据分析的核心是打通“数据→分析→决策→反馈”闭环。需稳定对接数据库/API等真实数据源，分析过程要可复现、可解释，结果须嵌入业务系统（如API、企微机器人），并建立反馈闭环验证效果。
-
Python源码无法真正加密，但可通过编译字节码、打包可执行文件、Cython编译关键模块及服务化等手段提升逆向难度；需避免硬编码敏感信息，并结合法律与流程管控。
-
Python中使用'w'模式反复打开文件会导致每次覆盖原有内容，因此只能保留最后一次写入的数据；正确做法是将文件打开操作移出循环，或改用'a'追加模式。
-
Python多线程适用于I/O密集型任务，因GIL在I/O调用时释放，可提升吞吐量；但对CPU密集型任务基本无效，应选multiprocessing或Numba等方案，并需谨慎处理线程安全与死锁。
-
GIL是CPython为简化引用计数内存管理而设的全局互斥锁，牺牲多线程CPU并行性以保障C扩展兼容与实现简单；Python3.12仅优化为细粒度锁，未移除GIL。
-
在Scrapy爬虫中，若需将parse()中生成的日期变量传递至深层解析函数（如parse_race()），不能直接使用局部变量，而应通过Spider实例属性（self.scrapedate）实现跨回调的数据共享。
-
调用函数时需先传位置参数再传关键字参数，否则报错；2.避免使用可变对象作为默认参数，应使用None并在函数内初始化；3.args收集多余位置参数为元组，kwargs收集多余关键字参数为字典，参数顺序必须为普通参数→args→kwargs；4.Python参数传递为对象引用传递，修改可变对象会影响原对象，需使用copy()或[:]创建副本以避免副作用。
-
Python作用域遵循LEGB规则，但赋值会强制声明局部变量，导致UnboundLocalError；for循环不创建作用域而推导式会；nonlocal/global是绑定重定向而非访问开关；类体是独立作用域，方法内不可直接访问类变量。
-
PythonNLP模型微调核心是任务对齐、数据适配与训练可控：优先选用HuggingFace成熟中文模型（如bert-base-chinese、ChatGLM3），标准化数据格式并处理长度与切分，小样本用LoRA、常规用全参微调+warmup学习率，最后闭环验证指标并转ONNX/GGUF部署。
-
关键在于找准学习路径和实践节奏：明确小目标建立正向反馈、通过调试真实代码强化理解、掌握模型设计逻辑而非死磕数学、将AI嵌入已有技能解决实际问题。
