-
PyTorchQAT需显式配置qconfig、冻结BN统计并校准后端，否则精度下降；convert()后模型固化不可修改，仅支持推理；后端须匹配硬件（fbgemm/x86，qnnpack/ARM），校准数据需充分且分布合理。
-
直接用cProfile包裹可疑视图函数最准：开头pr.enable()、结尾pr.disable()并dump_stats，再用snakeviz分析；避免全局profile或runserver整体采样。
-
WebSocket连接建立后立即断开，根本原因是未启动接收循环（如asyncfor或awaitrecv()），导致空闲超时被关闭；必须显式监听消息或发送ping心跳，且所有操作须在同一线程的eventloop中await，不可混用线程池。
-
df.dropna()默认按行删除（axis=0），删列需显式指定axis=1，并用thresh或how控制空值容忍度；它仅识别NaN/None/pd.NaT，不处理'N/A'等伪空值，inplace=True已不推荐。
-
np.array_equal()因严格逐元素比较且不处理浮点误差，故浮点数比较常返回False；它不支持容差、NaN恒判不等，仅适用于精确类型或bit-for-bit校验。
-
Python中判断对象相等用==（值相等），判断同一对象用is（身份相同）；is比较内存地址，==调用__eq__方法比较逻辑值；None、True、False应用is判断，空容器宜用not而非is，浮点数比较应使用math.isclose()。
-
数据分析师需掌握基础模型部署能力，将训练好的模型转化为可调用服务，如FlaskAPI或Streamlit页面，通过输入校验、异常兜底和版本标记保障稳定性，并可用Render或HuggingFaceSpaces低门槛上云。
-
open()是Python打开文件并返回文件对象的函数，核心参数为file（路径）和mode（模式，默认'r'），需注意编码、二进制模式、及时关闭（推荐with语句）及常见误用。
-
应谨慎升级过时包，优先清理未被import且无依赖的孤儿包；用pipreqs生成真实依赖清单，人工验证import及动态导入，避免误删pip、setuptools等关键包。
-
Python列表去重无绝对最佳方案，需据是否保序、元素是否可哈希、数据量及是否可修改原列表选择：保序且可哈希用dict.fromkeys()；含不可哈希元素则手动遍历；不关心顺序用set()；大数据量保序可用生成器+集合。
-
macro_f1_score需传入1D整数标签的y_true和y_pred，长度一致且类别对齐；若为one-hot或概率输出，须用np.argmax转换；labels参数须显式指定全部可能类别并设zero_division=0防nan。
-
sorted()返回列表而非字典，需用字典推导式构造新字典；按键排序用sorted(my_dict)，按值排序用sorted(my_dict.items(),key=lambdax:x[1])；键类型混杂会触发TypeError。
-
BackgroundTasks不能直接await，因其非协程而是任务注册器；需调用add_task()且不加await，函数内自行处理异步操作；后台任务须新建数据库session，避免复用请求级session；它适合轻量、非关键任务，而Celery更适合生产环境的可靠异步任务。
-
本文详解如何在Docker容器中向Flask启动脚本可靠传递端口号，解决因sys.argv未正确传入导致的ValueError:Nostartingport错误，并提供可复用的构建、运行与调试实践。
-
答案是推荐使用concurrent.futures.ThreadPoolExecutor。Python标准库中无官方threadpool模块，常用的是concurrent.futures.ThreadPoolExecutor，支持submit提交任务和map批量处理，适用于I/O密集型任务，如网络请求，并发下载等，而第三方threadpool库已过时不推荐使用。
