-
pytest中setup_method和setup_class怎么用pytest本身不叫setup，但行为上完全能替代unittest的setUp和setUpClass。直接在测试类里定义setup_method（每条测试前调用）或setup_class（整个类首次运行前调用）就行，pytest会自动识别并执行。注意：这两个方法名必须拼写准确，且不能带参数（除了self），否则pytest会忽略它们。setup_method接收一个参数method，可用于判断当前运
-
Python变量赋值用=直接绑定对象而非复制数据，支持单值赋值、多变量批量赋值及解包；变量名需符合命名规则，推荐snake_case风格。
-
ModelCheckpoint需正确配置filepath（含占位符）、save_weights_only=False、monitor与指标名一致；续训应加载权重+重建优化器，学习率调度器状态需用tf.train.Checkpoint统一管理。
-
不推荐在Django中直接使用APScheduler，因其为单进程内存调度器，多worker下会重复执行、热重载时任务注册冲突、无持久化导致重启丢失、无法适配Django生命周期；推荐轻量用django-crontab（复用系统crond），动态管理则选django-celery-beat。
-
模块化编程通过拆分功能提升代码可维护性和复用性：一、创建.py文件作为模块并用import导入；二、使用from...import精确导入所需函数；三、将多个模块放入含__init__.py的目录形成包；四、利用__name__=="__main__"控制模块执行行为。
-
用scipy.sparse.coo_matrix而非字典，因其底层用row/col/data三数组高效支持运算；构造需去重、转csr/csc再计算；存盘优选save_npz；切片等操作务必用csr/csc格式。
-
MNE库处理脑电波数据的流程包括加载数据、预处理、分段与平均、最终获取ERP。首先，使用MNE加载.fif、.edf等格式数据为Raw对象；其次进行预处理，1）滤波去除噪声，2）检测并插值坏导，3）通过ICA或SSP剔除生理伪迹；接着定义事件并分割数据为Epochs，同时进行基线校正和坏段剔除；最后对分段数据平均生成ERP，并可视化分析结果。整个过程需反复调试参数以确保数据质量与分析准确性。
-
Python网页爬虫核心是“发请求→取内容→解析→存结果”，推荐requests+BeautifulSoup组合，需加headers防反爬、处理编码乱码、用CSS选择器精准定位、加延时与随机User-Agent，并优先保存为UTF-8编码的CSV或JSON。
-
函数本身线程安全，但访问共享可变状态（如全局变量、类属性）会导致竞态；需用Lock同步、threading.local隔离或避免共享。
-
STATIC_URL应写为绝对路径/static/，既保证浏览器正确访问，又避免子路径部署错乱；开发用此值，上线后通过Nginx或STATICFILES_STORAGE切换CDN。
-
最快用pipeline，需控细节则复用AutoModelForSequenceClassification+AutoTokenizer；换中文模型要选明确情感微调的（如Erlangshen-RoBERTa），且tokenizer必须同源；truncation和padding必须设True并return_tensors="pt"；batch_size非越大越好，需依显存与吞吐实测调优。
-
切片操作使用list[start:end:step]格式，start为起始索引（含，默认0），end为结束索引（不含，默认列表长度），通过方括号和冒号实现。
-
CountVectorizer默认不支持词干提取，因其设计追求轻量、可复现、无语言依赖；需通过自定义tokenizer参数注入NLTKPorterStemmer实现词干化，同时注意停用词匹配与中英文适配问题。
-
ModelMeta中的ordering没起作用最常见原因是调用了order_by()、reverse()或切片（如[0:5]），这些操作会清除Meta默认排序；Django遵循“显式优先”原则，只要QuerySet有任意排序动作就忽略Meta设置。
-
使用os.walk()可递归遍历目录，返回路径、子目录和文件三元组；2.pathlib.Path提供更现代简洁的语法，rglob()递归遍历，iterdir()仅当前目录；3.可结合条件筛选特定文件如*.py。
