-
StandardScaler需先用训练集fit_transform，再用同一实例transform测试集；不处理缺失值和非数值列，异常值与偏态无改善，树模型无需使用。
-
pytest默认只收集test_.py或_test.py文件，函数需以test_开头；tests/应与src/平级；conftest.py按目录层级就近生效；推荐使用原生assert提升错误可读性。
-
Actor和Critic必须双头分离输出：Actor输出logits（离散）或均值/对数标准差（连续），Critic输出标量value；loss计算需在tf.GradientTape内完成，advantage需stop_gradient，环境交互须适配Gym新API并统一数据类型与shape。
-
自定义异常类通过继承语言内置异常类，提升代码语义清晰度与可维护性，使错误处理更精准、可预测。在复杂业务场景中，如支付服务或用户注册系统，自定义异常能区分具体错误类型（如InsufficientBalanceException、InvalidUsernameFormatException），避免依赖模糊的通用异常或脆弱的字符串解析。通过建立合理的异常层次结构（如BaseBusinessException派生各类），结合错误码、异常链传递和统一异常处理策略（如全局处理器映射HTTP状态码），可实现精细化错误响
-
小整数缓存范围是-5到256（含），这是CPython实现的性能优化，基于高频使用经验设定，并非语言规范要求；超出该范围的整数每次创建均为新对象，故应始终用==而非is比较数值相等。
-
本文介绍如何用Python读取单行文本，提取其中的数字并生成多行副本，使每行中的数字按指定步长递增，适用于日志模板生成、序列号批量创建等场景。
-
需将DATABASES的ENGINE改为'django.db.backends.mysql'，并正确配置NAME（已创建的数据库名）、USER、PASSWORD、HOST、PORT及OPTIONS中的charset为'utf8mb4'；同时必须安装mysqlclient（PyMySQL仅限开发替代）。
-
早停必须监控val_loss：训练集loss下降而验证集loss上升才是过拟合信号；只看train_loss会导致早停失效；需每epoch用model.eval()和torch.no_grad()计算全验证集平均val_loss。
-
mongodump可直接按库/集合备份，Python仅作调度上传胶水层；需用cron定时、绝对路径调用、显式重定向日志、校验返回码与文件大小，并实施本地7天+云盘30天清理及定期恢复验证。
-
globals()返回当前模块的全局变量字典，不跨模块；修改它会直接改变命名空间，但易引发维护问题，应优先用setattr()或专用配置对象替代。
-
用withopen("page.html",encoding="utf-8")读取文件后传给BeautifulSoup(f,"html.parser")；find()返回单个元素或None，select()始终返回列表；调用.text前须判空，推荐getattr(elem,"text","")；.get_text()比.text更可控。
-
最可靠的方式是组合判断：优先检查"pytest"insys.modules，其次fallback到os.environ.get("PYTEST_RUNNING")=="1"，必要时用inspect.stack()追溯调用栈；需注意执行时机差异。
-
tqdm在多线程/多进程中共用实例会导致状态竞争，应避免共享；推荐使用tqdm.contrib.concurrent.thread_map或process_map，由主线程统一驱动进度条更新，子线程/进程只负责计算并返回结果。
-
推荐采用“配置分离+环境变量驱动”实现多环境配置：分层设计base/development/testing/production.py，通过ENV变量动态加载；敏感信息由环境变量注入，配合校验与默认兜底机制确保安全可靠。
-
开发一个机器学习模型的完整流程包括数据准备与预处理、模型选择与训练、模型评估与调优、模型保存与部署。1.数据准备与预处理包括加载数据、处理缺失值、特征缩放和类别编码；2.模型选择与训练需根据任务类型选择合适算法并划分训练集与测试集；3.模型评估与调优通过评估指标和超参数搜索优化性能；4.模型保存与部署可使用joblib或集成到Web框架中实现复用或上线。
