-
布尔索引必须放在整数索引之前，因为NumPy先执行布尔索引压缩对应维度，再在压缩后的数组上应用整数索引；顺序颠倒会导致维度不匹配而报错。
-
Dijkstra适用于非负权图求单源最短路径，Bellman-Ford可处理负权边并检测负环，Floyd-Warshall求解所有顶点对最短路径，A*用于启发式搜索；根据图的规模、权重特性选择合适算法。
-
Pythoncsv模块适合大数据量的前提是逐行流式处理，csv.reader和DictReader返回迭代器，应避免list()全量加载；写入也需边计算边调用writer.writerow；性能瓶颈多在业务逻辑而非csv解析本身。
-
大数据量下应优先选择稳定省资源的数据结构：deque用于高频两端增删，array.array节省数值内存，dict适用于有序映射但需控制key类型，稀疏数据改用scipy.sparse或pyarrow等专用结构。
-
训练加速与模型压缩需协同优化：混合精度训练降显存提速度，分布式训练扩展算力，结构化剪枝兼顾效率与硬件兼容，QAT比PTQ更稳保精度，所有优化必须基于量化指标验证。
-
必须显式设置@lru_cache的maxsize参数，避免内存无限增长；缓存值为强引用，慎缓存大型对象；参数须可哈希，不可变类型需手动转换；多线程下cache_clear()需加锁防护。
-
默认logging不能直接输出JSON，因其Formatter将日志拼为字符串且字段不可控；需自定义Formatter子类重写format()，过滤不可序列化字段、处理异常堆栈、用json.dumps()输出合法JSON，并通过LoggerAdapter或Filter注入trace_id等上下文字段。
-
本文介绍如何在Polars中将具有相同前缀（如a_0,a_1,a_2）的多列纵向堆叠为单列（如a），同时自动复制其他非模式列（如words,groups）以匹配扩展后的行数。
-
注意力机制的核心是动态加权求和，三要素为Query（查询）、Key（键）、Value（值）：Query与Key计算相似度得分数，softmax归一化为权重，再加权求和Value得到输出；自注意力通过全连接匹配突破距离限制，多头机制并行捕获多维特征；PyTorch手写实现含线性投影、缩放点积、softmax及加权求和；可视化注意力权重热力图可分析模型关注模式。
-
maxlen为None时append/appendleft不裁剪元素；为正整数时append右进左出、appendleft左进右出；maxlen=0则静默丢弃所有元素；两者性能差异极小但访问模式影响缓存效率。
-
Python中模拟只读属性有三种主流方式：①重写__setattr__配合初始化标志；②__slots__+property封装私有字段；③@dataclass(frozen=True)实现全对象不可变。
-
print()默认用空格分隔参数、末尾自动换行；sep默认为''，end默认为'\n'；二者均为关键字参数，用于控制输出格式而非字符串拼接。
-
Python是先编译为字节码再由虚拟机解释执行的混合型语言，CPython将.py源码编译成.pyc字节码并缓存，由PVM执行；字节码版本特定、不可跨实现通用，需PyInstaller等工具生成真正可执行文件。
-
该项目通过Python和机器学习构建二手车价格预测模型，涵盖数据获取、清洗、特征工程、模型训练与评估全流程。首先从公开平台爬取或使用现有数据集，但面临数据来源多样、格式不一、反爬机制等挑战，需采用Scrapy、Selenium等工具应对；数据常存在缺失值、异常值、不一致等问题，需通过填充、删除、统计方法处理，并建立标准化清洗流程。为保证数据时效性，可设计增量爬取机制。特征工程是关键环节，包括计算车龄、年均行驶里程等衍生特征，对品牌、车型等类别变量进行独热编码或目标编码，利用TF-IDF或词嵌入处理文本描述
-
Python实时监控系统核心是“低延迟采集+流式处理+可视化反馈”，需选对技术栈：requests/APScheduer定时拉取、kafka-python/redis-py消费消息、Flink/Bytewax做秒级聚合、DuckDB/asyncio支撑分钟级分析，Redis管理告警状态，Streamlit搭看板，OpenTelemetry埋点，并监控系统自身健康。
