-
PyPy、Cython和Numba是三种提升Python性能的有效工具。PyPy通过JIT编译加速纯Python代码，适合CPU密集型任务且无需修改代码；Cython通过类型声明将Python代码编译为C代码，适用于精细化性能优化和C库集成；Numba利用@jit装饰器对数值计算进行JIT编译，特别适合NumPy数组操作和科学计算。选择取决于代码特性：PyPy适合纯Python场景，Cython适合需深度优化的部分，Numba适合数值计算密集型任务。
-
__getattr__仅在访问不存在属性时触发，用于动态代理、惰性加载和友好错误提示；它不拦截已定义属性或方法，也不替代__getattribute__。
-
SVM是一种通过寻找最大间隔超平面进行分类的监督学习算法，利用核函数处理非线性数据，在高维空间表现优异；Python中使用scikit-learn的SVC类实现，需注意数据标准化和参数调优以提升性能。
-
Python推导式提供简洁语法创建序列或映射，主要包括列表、字典、集合推导式及生成器表达式。列表推导式通过[表达式for变量in可迭代对象if条件]生成列表，如[x2forxinrange(10)]创建0到9的平方列表；添加条件可筛选结果，如[x2forxinrange(10)ifx%2==0]仅保留偶数平方。字典推导式使用{键表达式:值表达式for变量in可迭代对象if条件}格式，例如{s:len(s)forsin['apple','banana','cherry']}将字符串与其长度关联成字典，或用{
-
reduce函数需导入functools，通过累积计算将序列归约为单值。示例1：add函数依次接收前次结果与下个元素，如a=1,b=2→3；a=3,b=3→6；a=6,b=4→10。示例2：初始值"start->"作为首次参数s，依次拼接'a'、'b'、'c'得"start->abc"。示例3：lambdax,y:x*y以1为初值，计算1×2×3×4=24。参数来源明确：累计值与当前元素。
-
使用pathlib.Path.write_text()方法可在单行中完成文件打开、写入和自动关闭，避免手动管理文件句柄，既简洁又安全。
-
torch.compile(model)不能直接套用，因首次前向才触发编译，含动态shape分支易graphbreak致退化；需预热、避控制流、慎选mode，并监控缓存命中。
-
Python读JSON文件最常用方式是用json.load()配合withopen()，需指定encoding='utf-8'；字符串解析用json.loads()；常见问题包括路径错误、编码不匹配、JSON格式非法，可借助json5库处理带注释或单引号的类JSON文本。
-
tf.config.threading.set_intra_op_parallelism_threads控制单算子内线程数，必须在import后、图构建前设置；set_inter_op_parallelism_threads控制算子间并发，二者正交；环境变量优先级更高，需避免覆盖。
-
本文介绍一种简洁高效的纯Python方法，通过递归遍历嵌套字典，以缩进和连接符（|-）形式输出标准树状结构，无需第三方库依赖，兼容任意深度的父子关系表示。
-
Python使用mysql-connector-python轮询MySQL时，首次查询能返回结果，后续却始终为空——根本原因在于游标未显式获取数据且连接复用导致事务隔离或结果集缓存问题，需正确管理游标生命周期与连接状态。
-
sklearn2pmml不能直接转换所有Pipeline和自定义Transformer，必须满足PMML规范：仅支持sklearn原生estimator和继承BaseEstimator/TransformerMixin的自定义transformer，且仅限PMML支持的数学操作；需用make_pmml_pipeline()校验可序列化性。
-
Datashader通过服务端栅格化解决百万级散点图渲染崩溃问题：将点映射到像素并聚合（如计数），输出NumPy图像数组，避免Matplotlib/Plotly为每个点创建对象导致的内存爆炸与DOM崩溃。
-
在Python中检查文件是否存在可以使用以下方法：1.使用os.path.exists()，但它不能区分文件和目录；2.使用os.path.isfile()，它只对文件返回True；3.使用pathlib.Path.is_file()，适用于Python3.4及以后版本。检查多个文件时可以使用列表推导式，但需注意性能问题。
-
sorted()的key参数必须返回可比较的值；字典需通过key指定排序依据（如键、值或键值对），按值排序时key函数须返回单一可比类型，否则抛TypeError。
