-
Python最常用数据类型是字符串（str）、列表（list）和字典（dict）：字符串不可变，支持索引切片及.upper()等方法；列表可变，支持增删改查和遍历；字典以键值对存储，key须不可变，支持多种遍历方式。
-
性能剖析是通过工具定位Python代码中耗时和资源消耗大的部分。首先用cProfile进行函数级分析，找出“时间大户”，再用line_profiler深入分析热点函数的逐行执行情况。两者结合实现从宏观到微观的优化。此外，还需关注内存（memory_profiler）、I/O（手动计时、数据库分析）和并发（锁竞争、GIL影响）等维度，全面优化系统性能。
-
PyLance类型检查器报reportArgumentType错误，通常是因为函数参数类型不匹配；本例中是将jinja2.BaseLoader类（类型）误传为loader参数，而该参数实际需要的是BaseLoader实例（对象）。
-
本文介绍如何通过协变TypeVar、Protocol和@overload组合，构建支持多次叠加装饰、严格校验参数类型且不强制窄化的Python类型安全事件注册机制。
-
本文介绍如何对包含向量（如列表）的PandasSeries或DataFrame进行逐行百分比变化（pct_change）计算，推荐使用DataFrame作为中间结构以提升可读性、性能与健壮性，并提供简洁、可扩展的实现方案。
-
Python装饰器支持链式使用，执行顺序从下到上，即离函数定义最近的最先执行，等价于A(B(func))；每层应职责单一，如认证、缓存、计时等，并确保正确透传返回值。
-
本文详解如何在PySparkDataFrame中高效计算数组类型列（如score数组的均值、review数组的众数），通过内置函数组合与安全UDF实现高性能、类型准确的新列扩展，避免常见UDF类型错误与空数组异常。
-
Python中合并多个DataFrame的核心方法有两种：一是使用pd.concat进行堆叠式合并，二是使用pd.merge进行关联式合并。pd.concat主要用于沿行或列方向堆叠数据，适用于结构相似的数据整合，关键参数包括objs（待合并对象）、axis（合并方向）、join（索引/列对齐方式）及ignore_index（是否重置索引）。pd.merge则基于共同键进行数据关联，支持内连接、左连接、右连接和外连接，核心参数有left/right（待合并的两个DataFrame）、how（连接类型）、o
-
本文详解Python项目中跨并行子目录（如subfolder1→subfolder2）进行模块导入的原理与实践方案，涵盖相对导入失败原因、推荐的绝对导入方式、-m运行模式用法，并提供可直接复用的结构化示例与关键注意事项。
-
本文介绍如何使用正则表达式精准识别并批量删除当前目录下所有仅由数字组成、且无文件扩展名的文件，适用于文档ID作为文件名的本地缓存清理场景。
-
shutil.make_archive打包失败主因是root_dir与base_dir路径关系错误：base_dir必须为相对路径，root_dir为其父目录，否则静默生成空包；跨平台应选format="zip"；中文路径需用7-Zip重压或提示用户使用兼容解压工具。
-
Python并发程序难测试的核心在于不确定性，包括调度顺序、竞态条件难以稳定触发、事件循环管理复杂、时间相关行为不可控及错误传播路径被遮蔽等问题。
-
用tree.xpath("//a/@href")最稳，可跳过无效嵌套、自闭合标签及混排子元素；需注意勿误写为text()或漏@符号，且href可能为相对路径、需手动处理base标签或JS渲染内容。
-
TimeSeriesSplit不能直接替代train_test_split，因其生成递增滚动窗口而非单次划分，不支持shuffle、独立验证集或自动时间对齐；需手动截断留测试期，并确保特征与标签时间索引严格对齐。
-
GridSearchCV慢且易内存爆炸因其暴力穷举所有参数组合，训练次数随组合数线性增长；RandomizedSearchCV通过随机采样分布参数（如uniform、randint）显著提速，n_iter=50通常足够且精度损失小。
