默认logging不能直接输出JSON，因其Formatter将日志拼为字符串且字段不可控；需自定义Formatter子类重写format()，过滤不可序列化字段、处理异常堆栈、用json.dumps()输出合法JSON，并通过LoggerAdapter或Filter注入trace_id等上下文字段。

本文介绍如何在Polars中将具有相同前缀（如a_0,a_1,a_2）的多列纵向堆叠为单列（如a），同时自动复制其他非模式列（如words,groups）以匹配扩展后的行数。

注意力机制的核心是动态加权求和，三要素为Query（查询）、Key（键）、Value（值）：Query与Key计算相似度得分数，softmax归一化为权重，再加权求和Value得到输出；自注意力通过全连接匹配突破距离限制，多头机制并行捕获多维特征；PyTorch手写实现含线性投影、缩放点积、softmax及加权求和；可视化注意力权重热力图可分析模型关注模式。

maxlen为None时append/appendleft不裁剪元素；为正整数时append右进左出、appendleft左进右出；maxlen=0则静默丢弃所有元素；两者性能差异极小但访问模式影响缓存效率。

Python中模拟只读属性有三种主流方式：①重写__setattr__配合初始化标志；②__slots__+property封装私有字段；③@dataclass(frozen=True)实现全对象不可变。

print()默认用空格分隔参数、末尾自动换行；sep默认为''，end默认为'\n'；二者均为关键字参数，用于控制输出格式而非字符串拼接。

Python是先编译为字节码再由虚拟机解释执行的混合型语言，CPython将.py源码编译成.pyc字节码并缓存，由PVM执行；字节码版本特定、不可跨实现通用，需PyInstaller等工具生成真正可执行文件。

该项目通过Python和机器学习构建二手车价格预测模型，涵盖数据获取、清洗、特征工程、模型训练与评估全流程。首先从公开平台爬取或使用现有数据集，但面临数据来源多样、格式不一、反爬机制等挑战，需采用Scrapy、Selenium等工具应对；数据常存在缺失值、异常值、不一致等问题，需通过填充、删除、统计方法处理，并建立标准化清洗流程。为保证数据时效性，可设计增量爬取机制。特征工程是关键环节，包括计算车龄、年均行驶里程等衍生特征，对品牌、车型等类别变量进行独热编码或目标编码，利用TF-IDF或词嵌入处理文本描述

Python实时监控系统核心是“低延迟采集+流式处理+可视化反馈”，需选对技术栈：requests/APScheduer定时拉取、kafka-python/redis-py消费消息、Flink/Bytewax做秒级聚合、DuckDB/asyncio支撑分钟级分析，Redis管理告警状态，Streamlit搭看板，OpenTelemetry埋点，并监控系统自身健康。

__getattribute__是每次访问任意属性时都触发的底层钩子，而__getattr__仅在属性未找到时作为兜底机制调用；前者更早、更危险，需通过super().__getattribute__(name)安全调用。

Python对象的类型信息存储在对象头的ob_type指针中，决定其所有行为；变量名无类型，对象本身有固定且不可变的类型。

Python读取txt文件常用open()函数，推荐使用with语句确保文件自动关闭。1.read()一次性读取全部内容，适合小文件；2.readline()逐行读取，readlines()返回所有行的列表；3.直接遍历文件对象最高效，适合大文件；4.指定完整文件路径可读取非同目录文件，Windows建议用r''原始字符串避免转义问题。

使用with语句可确保资源正确释放，如文件操作中即使发生异常也能自动关闭；当无法使用with时，可在finally块中手动释放资源；通过自定义__enter__和__exit__方法或contextlib的@contextmanager装饰器可实现自定义资源管理，推荐优先使用with语句防止资源泄漏。

Python防止重放攻击需同时满足唯一性、时效性、不可复用性：①加时间戳并校验±30秒窗口；②用UUIDnonce+Redis缓存防重复；③对方法、路径、时间戳、nonce、排序参数及原始请求体哈希做HMAC-SHA256签名；④强制HTTPS传输。

del不直接删除对象，而是删除变量对对象的引用；对象是否销毁取决于引用计数是否降为0，降为0时CPython立即回收内存。