-
deque在频繁头部插入时性能优于list：list.insert(0,x)为O(n)，deque.appendleft()为O(1)；但deque不支持切片且随机访问慢2–3倍。
-
应使用type(obj)isdict严格判断是否为原生dict，因isinstance(obj,dict)会误判defaultdict、OrderedDict等子类，导致json.dumps等操作异常；若只需映射行为，应优先用isinstance(obj,collections.abc.Mapping)。
-
在Django异步视图或Channels消费者中调用hasattr(obj,'field')可能意外抛出KeyError而非预期的False，根本原因在于Django关系字段（如ForeignKey）的描述符在异步环境下无法安全执行同步数据库查询，导致底层缓存访问失败并抛出KeyError，而非标准AttributeError。
-
直接赋值绕过验证因无@property时属性为普通变量；@property提供受控访问，需配套setter实现校验，命名须一致且存储变量用下划线区分，初始化通常绕过setter以避免重复校验。
-
Python自带dict不支持TTL因其纯内存映射，无时间戳、过期检查或自动清理机制；手动维护易致内存泄漏，Timer方案开销大且难管理；推荐懒过期封装方案，读时检查并删除过期项。
-
Python内置函数分五类：基础数据处理（如print、len、type）、对象与属性操作（如dir、hasattr）、迭代与高阶函数（如range、map）、输入输出与调试辅助（如input、help），共约70个，常用20–30个覆盖多数场景。
-
本文介绍一种纯NumPy向量化方法，将源数组Y中每行的非零元素，按顺序填入目标数组X每行最靠前的零值位置，全程避免Python循环，适用于大规模矩阵（如5000×20000）高频操作。
-
match.groups()最适合“不关心分组数量”的场景，它返回包含所有捕获组值的元组，无论组数多少或是否匹配成功，均不会报错，且天然过滤未参与匹配的组。
-
Pandas筛选数据核心是布尔索引，通过条件生成True/False序列来选择行；结合loc、iloc、query()、isin()、between()及.str方法可实现多条件组合与复杂场景筛选，处理缺失值可用isnull()/notna()，配合括号明确优先级，提升代码可读性与效率。
-
Python处理大规模日志需流式读取、预编译正则提取字段、结构化写入CSV或JSONLines、分块输出、加进度提示与断点续跑，确保内存可控、格式一致、鲁棒可维护。
-
必须用fromtkinterimportttk或importtkinter.ttk，不能直接importttk；启用主题需先创建根窗口再调用ttk.Style()并用theme_use()设置，如'vista'或'clam'。
-
Flask的before_request必须在app实例创建后、run()前注册，工厂模式需在create_app内注册，蓝本需用bp.before_request单独挂载；多个钩子按注册顺序执行，任一异常中断后续；应使用app.logger安全记录日志，避免耗时操作；与after_request非自动配对，异常时after_request不执行，需用teardown_request兜底；默认不拦截静态文件和404，需禁用自动静态路由或使用WSGI中间件实现全局拦截。
-
服务间调用延迟比本地函数高约1000–10000倍：本地函数调用为纳秒至微秒级，而网络调用（含localhost）通常为1–10ms，主因是TCP握手、序列化、反序列化、网卡中断及调度切换等固有开销。
-
Python单元测试用unittest框架，核心是继承unittest.TestCase类，测试方法名必须以test_开头，通过unittest.main()运行；常用断言包括assertEquals、assertTrue、assertRaises等，支持setUp/tearDown进行测试前准备与清理。
-
split()函数在Python中的用法包括：1.默认使用空白字符分割字符串；2.指定分隔符进行分割，如逗号；3.指定最大分割次数；4.处理空字符串时返回包含一个空字符串的列表；5.结合正则表达式进行复杂分割。split()函数灵活且高效，但需注意数据格式和边缘情况。
