-
配置和代码必须严格分离，代码只负责加载、类型转换与校验配置，配置应通过环境变量、.env文件、YAML/JSON/TOML或远程配置中心等外部源管理，敏感信息严禁硬编码。
-
<ol><li>使用方括号可直接创建列表，如[1,2,3]或混合类型[1,'hello',3.14]；2.list()构造函数能将字符串、元组、range等可迭代对象转为列表；3.列表推导式支持按规则生成，如[x2forxinrange(5)]；4.操作符用于重复元素，如[0]5，但[[]]3存在引用共享问题；5.动态添加通过append()或extend()向空列表逐步添加元素。不同方式适用于不同场景：直接定义适合已知数据，list()用于类型转换，推导式高效生成，用于初始化，动
-
Python处理VCF文件的核心库是PyVCF，它提供直观的接口解析VCF元信息、表头和变异记录。1.安装PyVCF：使用pipinstallPyVCF；2.读取VCF文件：通过vcf.Reader对象逐行解析；3.提取核心字段：如CHROM、POS、REF、ALT、QUAL、FILTER、INFO及样本基因型；4.过滤并写入新文件：根据QUAL和FILTER条件筛选变异并用vcf.Writer保存。此外，面对大规模VCF数据时可选用cyvcf2或pysam以提升性能。VCF结构包括元信息行（##开头）、
-
当从父目录导入子目录中的类时，若该类又依赖同目录下的其他模块，需使用相对导入（如from.BimportB）而非绝对导入，否则会触发ModuleNotFoundError。
-
坚持每天1.5–2小时、持续3个月，就能写出可运行的AI小项目；关键在于目标明确、任务拆解精准、练习高频且反馈及时，如按“自动整理文件夹”等具体场景选择os/shutil或pandas/matplotlib等工具链，配合25分钟学习+45分钟实践+10分钟复盘的每日节奏。
-
OpenCV可用Haar级联或HOG+SVM快速实现人脸等目标检测；YOLOv5支持轻量部署，含数据标注、模型加载与结果解析；工业场景侧重计数、尺寸测量与缺陷定位；调试关键在预处理与参数优化。
-
配置Python环境变量可提升Django项目的安全性与可维护性，避免敏感信息硬编码。推荐使用python-decouple或django-environ库从.env文件读取配置，或将系统环境变量通过os.environ注入，实现多环境灵活切换，同时应将.env加入.gitignore防止泄露。
-
混淆矩阵是评估分类模型性能的工具，通过sklearn的confusion_matrix()函数比较真实与预测标签。对于二分类，它输出包含TP、FP、TN、FN的2x2矩阵；多分类则生成NxN矩阵，行表示真实类别，列表示预测类别，直观展示模型分类效果。
-
最常用方式是正则匹配Unicode汉字区间：[\u4e00-\u9fff]覆盖常用字，[\u3400-\u4dbf]含扩展A区生僻字，[\u3000-\u303f]含中文标点；可组合使用，如re.findall(r'[\u4e00-\u9fff]+',text)提取连续汉字。
-
Python安全删除目录树需先修改只读权限再递归删除，推荐用shutil.rmtree配合onerror回调函数（如remove_readonly）处理PermissionError，该方法跨平台有效且避免shell命令风险。
-
GIL是CPython为保护内部数据结构而设的线程锁，仅限制CPU密集型多线程并行；I/O密集型任务、多进程、C扩展（如NumPy）及异步编程可绕过其限制。
-
Python并发性能瓶颈在于I/O模型、GIL限制和任务特性误判；需用cProfile、strace、psutil等工具定位CPU/I/O/锁真实瓶颈，再依任务类型选择multiprocessing、asyncio或混合策略，并避免全局锁与资源滥用。
-
rename()在同文件系统内重命名是原子操作，可静默替换目标文件且不可中断；跨文件系统需fallback到copy+unlink；os.rename()继承此特性，但需注意内容落盘需额外fsync。
-
图像处理自动化办公核心是用Python生态（Pillow/OpenCV/PyPDF2/PaddleOCR）构建稳定可维护的脚本，按“输入→处理→输出”封装函数、配置驱动、规避路径编码模式等细节坑，小步交付。
-
多线程结合分布式架构可显著提升Web爬虫效率。通过Python的ThreadPoolExecutor实现并发请求，减少I/O等待；使用队列和锁机制保障线程安全，并合理控制资源访问；进一步借助Redis等中间件构建分布式系统，实现任务集中调度与节点协同；配合代理IP、请求头轮换、会话复用等优化策略，有效应对反爬机制，确保高效稳定的数据采集。
