-
Scrapy扩展是插入到引擎中的组件，用于增强爬虫行为。编写扩展需创建模块、定义类并实现如from_crawler等方法，再在settings中启用。常见用途包括控制速率、记录状态、处理异常、集成监控。扩展区别于中间件和管道，侧重全局控制。调试时可用print确认加载，并合理设置优先级与配置依赖。
-
pandas.merge(...,how='left')是标准左连接，需显式指定on或left_on/right_on，否则报错；左表重复键会复制右表匹配行，NaN表示无匹配，连接前应确保键类型一致、无空值且值对齐。
-
推荐用pathlib.rglob()遍历配置文件，配合is_file()和后缀过滤；正则替换需用re.MULTILINE和注释排除；原地修改必须先备份并校验编码；I/O密集任务优先单线程串行处理。
-
AssertionError是Python中用于调试的内置异常，当assert语句条件为False时触发，语法为assertcondition,message；常用于检查函数参数、中间状态或测试结果，如calculate_discount中验证价格非负；它继承自Exception，但仅适用于开发阶段，可通过python-O禁用，不应用于生产环境的错误处理；避免在assert中执行有副作用的操作，且应提供清晰错误消息，如divide函数中提示“除数不能为零”；合理使用可提升调试效率，防止逻辑错误。
-
实例的dict是存储其可变属性的字典。例如，创建Person实例并设置name和age属性后，__dict__包含{'name':'Alice','age':25}；类属性如species不进入实例dict__，除非被实例覆盖；若类定义了__slots__，则实例无__dict__；可直接通过__dict动态添加或修改属性，如p.__dict__['city']='Beijing'等价于p.city='Beijing'，但需注意绕过封装和slots限制。
-
Python中“一切皆对象”是事实，指所有可命名、传递或操作的实体均具备身份（id）、类型（type）和值（value）三要素，且函数、类、模块等均为对象，可变与不可变的区别在于操作是否改变对象内存地址。
-
dir函数用于查看对象的属性和方法，调用dir()可列出当前作用域名称，dir(对象)则返回该对象的属性与方法列表，如dir(list)查看列表方法、dir("hello")查看字符串方法；常用于快速浏览模块内容，如importos;dir(os)，结合help()深入了解方法，适合交互式环境使用，返回值为字符串列表，双下划线开头结尾为特殊方法，日常关注普通名称即可，多练习可快速掌握。
-
直接用heapq不能当优先级队列用，因其仅提供堆操作原语，不支持更新优先级、按值删除或最大堆；常见错误是直接插入(priority,item)元组而item不可比较，导致TypeError。
-
Python深度学习GPU加速核心是确保模型、数据、计算三者统一在CUDA设备上；需先验证GPU可用性，再手动迁移张量，配合混合精度、合理batchsize及避免隐式CPU切换以提升效率。
-
本文详解Locust测试中无法读取.env文件变量的根本原因，并提供基于Makefile和shell的可靠解决方案，确保os.environ.get()能正确获取环境变量值。
-
Django读写分离需自定义DatabaseRouter类并注册到DATABASE_ROUTERS，db_for_read须判断事务避免不一致，db_for_write必须返回主库；select_related跨库JOIN会失效，应改用prefetch_related或统一模型库；ConnectionDoesNotExist需检查路由返回值与DATABASES键名是否精确匹配；强一致性读应主动using='default'而非依赖重试。
-
本文详解如何使用Tkinter的Notebook组件为每个Tab动态创建Text小部件及配套垂直滚动条，避免变量未定义错误，并修正pack布局中的非法sticky参数问题。
-
torch.cuda.Event比time.time()更准，因其直接捕获GPUkernel启停时刻，避免CPU-GPU异步导致的±10ms误差，精度达±0.02ms；需配对record、同步、预热并确保同stream。
-
sklearn1.2需调用sklearn.set_config(transform_output="pandas")在创建transformer前启用，仅对新建实例生效；支持类需实现_get_feature_names_out（如StandardScaler、OneHotEncoder），输入须为带列名的DataFrame，ColumnTransformer和Pipeline可自动拼接输出。
-
Ridge比LinearRegression更稳，因其损失函数含L2正则项，强制系数收缩至0，缓解共线性导致的参数震荡；需标准化特征、正确切分数据后缩放，RidgeCV选alpha时须手动预处理X，且通常不标准化y。
