-
del只作用于当前作用域的变量，删全局或闭包变量需global/nonlocal声明；删列表元素会改变索引；删字典键正常，删属性依赖__delattr__实现；del仅解除引用，不立即释放内存。
-
Dagster中资产（Asset）是可调度、可观察、可复用的最小单元，须用@asset声明输入输出与依赖，禁用IO操作，依赖IOManager处理读写，键（key）决定真实依赖关系，调试需用materialize而非build_assets_job。
-
最小可用DjangoDockerfile需用多阶段构建：第一阶段装依赖并collectstatic，第二阶段仅复制site-packages和代码，用gunicorn监听0.0.0.0:8000，禁用runserver，设PYTHONUNBUFFERED=1确保日志实时输出。
-
Python生产环境日志需结构化、分级合理、JSON行格式输出、上下文贯穿传播；禁用字符串拼接、thread-local、RotatingFileHandler；INFO/ERROR等须带trace_id、user_id等关键字段。
-
Python配置对象设计核心是构建结构化、可扩展、易测试的配置体系，采用dataclass定义强类型层级配置，结合pydantic-settings实现多环境多来源合并加载与校验。
-
本文介绍使用正则表达式精准移除大型SQL文件（如3GBMariaDB导出文件）中所有PRIMARYKEY、FOREIGNKEY等约束定义，兼容SQLite导入需求，兼顾性能与准确性。
-
Numpy中reshape函数用于改变数组形状而不改变数据，新形状元素总数需匹配原数组，如一维12个元素可变为(3,4)或(2,2,3)，但不能为(3,5)；order参数控制读取顺序，默认'C'行优先；reshape通常返回视图以节省内存，当数据不连续或需重排时返回副本，可通过arr.base判断是否为视图，必要时可用.copy()强制复制。
-
Python主要用于数据科学、机器学习、Web开发、自动化脚本和教育。1）在数据科学和机器学习中，Python通过NumPy、Pandas和Scikit-learn等库简化数据处理和模型训练。2）在Web开发中，Django和Flask框架使得快速构建Web应用成为可能。3）Python在自动化和脚本编写方面表现出色，适用于文件处理和系统管理任务。4）在教育领域，Python因其易学性被广泛用于教学。
-
真正有用的可视化是策略研发的“第二双眼睛”，聚焦关键指标、一张图只讲清一件事，如入场信号图仅展示价格与核心触发条件（布林带下轨+RSI），避免多维信号堆叠导致信息过载。
-
本文介绍如何在Pandas中对齐并合并列不完全匹配的数据框，确保目标列（如USD/EUR/GBP）始终保留、缺失列自动补NaN，避免KeyError或列丢失，适用于动态字段场景。
-
requests发起网络请求分三步：导入库、发请求、取数据；支持GET/POST、参数传递、文件上传、请求头设置、会话管理及异常处理与超时控制。
-
Python启动慢主因是模块导入耗时，需用-importtime定位慢模块，优先延迟导入、替换重量级库（如matplotlib用Agg后端、CV2用Pillow）、预编译pyc及优化打包参数。
-
跨部门数据分析平台接口需聚焦数据可得性与分析可复用性，明确三类职责边界，定义元数据、执行、权限、日志四类稳定接口，采用Pydantic契约优先开发，并预留版本演进、扩展字段与熔断降级机制。
-
Python遍历字典有三种核心方式：①直接for循环遍历键；②用.values()遍历值；③用.items()遍历键值对并解包为key,value；需索引时可结合enumerate(d.items())。
-
Foolbox攻击报NotImplementedError主因是模型未返回可微logits，需设model.train()、禁用softmax、用PyTorchModel指定bounds；PGD不收敛多因stepsize过大或steps不足；TF报numpy错误需启用eager模式；图像发灰系归一化与保存格式不匹配。
