-
Python字符串不可变是理解内存、编码和引用的起点：驻留机制、编码解码错误根源、f-string与format性能差异及内存管理耦合需深入底层。
-
Python并发核心在于区分I/O与CPU密集型任务：threading适用于I/O（如HTTP请求），因GIL限制无法加速CPU密集型计算（如sum）；asyncio需正确await协程，避免未执行警告；multiprocessing需注意Windows下spawn启动方式及进程间通信问题。
-
buffering参数需按场景精准设置：0（二进制禁用缓冲）、1（文本行缓冲）、>1（指定字节数），默认值不可靠；flush()仅清Python层缓冲，落盘需fsync或_commit；with自动flush但不fsync，关键数据须手动保障；多线程写需加锁或用buffering=0。
-
本文详解如何利用Python元编程（装饰器或元类）自动解析类的类型注解和默认值，动态构造符合PEP563规范的__init__方法，无需手动重复定义参数签名与赋值逻辑。
-
直接拼字符串会出错，因模型对空格、换行、分隔符极度敏感，易混淆指令边界、破坏JSON结构、无法适配不同模型的token要求。
-
Python函数通过return语句返回值，若无return则默认返回None；返回值可以是任意类型，如数值、字符串、列表、元组、字典、自定义对象等，且可利用元组解包接收多个返回值。
-
图像预处理在车牌识别中至关重要，它能显著提升后续识别的准确性和鲁棒性。1.图像采集与初步处理是基础，获取图片后进行质量评估；2.图像预处理与车牌定位是关键环节，包括灰度化（cv2.cvtColor）减少数据量、高斯模糊（cv2.GaussianBlur）降噪、Canny边缘检测（cv2.Canny）提取边缘、形态学操作（如闭运算）连接断裂边缘，并通过轮廓查找与筛选（cv2.findContours）定位车牌区域；3.字符分割与识别前还需优化图像，如倾斜校正（cv2.getPerspectiveTransf
-
模块顶层定义最安全，避免用class封装常量；应显式导入而非from...import*；环境相关常量需通过os.getenv读取；类型提示须用Final或Literal增强检查。
-
Python程序员转大模型工程师的关键是迁移工程能力，补全模型理解、数据驱动开发、生产化部署、业务场景闭环四大断点，而非重学语言。
-
Airflow企业级ETL核心在于可追溯、可重试、可监控、可维护，需聚焦任务设计、依赖表达、错误隔离与生产配置；DAG须声明业务逻辑而非线性脚本，各task应独立且明确定义IO边界，禁用catchup、限制并发、配置重试、关闭手动触发、埋点上报指标、统一SQL管理、封装业务逻辑、敏感信息走Secrets。
-
本文介绍如何利用Hydra的配置能力，结合自定义向量化类，高效批量创建同一目标类的多个实例并传入不同参数组合，避免YAML配置文件冗长重复。
-
lambda是创建匿名函数对象的语法糖，生成function类型对象但无名称、无文档字符串、不支持语句；仅限单表达式求值，适用于高阶函数等一次性场景，存在闭包变量绑定陷阱，可读性与维护性常劣于def函数。
-
Python爬虫核心是发请求、取数据、存结果三步；基于HTTP协议，需掌握GET/POST区别、状态码含义及Headers设置；解析用正则、BeautifulSoup或lxml+XPath；应对登录态、JS渲染和反爬需选合适工具与策略；存储依需求选txt、CSV、JSON、SQLite等。
-
Python中无传统数组，常用列表（list）实现动态序列，数值计算则用NumPy的ndarray；列表支持混合类型与推导式，NumPy提供高效同类型多维数组。
-
策略模式是将算法或行为封装为可互换的独立单元以解耦调用方与具体实现。Python中既可用函数（轻量、Pythonic）也可用类（适合复杂逻辑、需状态时），关键在按需选择、避免过度设计、保持策略无状态及创建可控。
