-
Python多线程适用于I/O密集型任务，因GIL在I/O调用时释放，可提升吞吐量；但对CPU密集型任务基本无效，应选multiprocessing或Numba等方案，并需谨慎处理线程安全与死锁。
-
GIL是CPython为简化引用计数内存管理而设的全局互斥锁，牺牲多线程CPU并行性以保障C扩展兼容与实现简单；Python3.12仅优化为细粒度锁，未移除GIL。
-
在Scrapy爬虫中，若需将parse()中生成的日期变量传递至深层解析函数（如parse_race()），不能直接使用局部变量，而应通过Spider实例属性（self.scrapedate）实现跨回调的数据共享。
-
调用函数时需先传位置参数再传关键字参数，否则报错；2.避免使用可变对象作为默认参数，应使用None并在函数内初始化；3.args收集多余位置参数为元组，kwargs收集多余关键字参数为字典，参数顺序必须为普通参数→args→kwargs；4.Python参数传递为对象引用传递，修改可变对象会影响原对象，需使用copy()或[:]创建副本以避免副作用。
-
Python作用域遵循LEGB规则，但赋值会强制声明局部变量，导致UnboundLocalError；for循环不创建作用域而推导式会；nonlocal/global是绑定重定向而非访问开关；类体是独立作用域，方法内不可直接访问类变量。
-
PythonNLP模型微调核心是任务对齐、数据适配与训练可控：优先选用HuggingFace成熟中文模型（如bert-base-chinese、ChatGLM3），标准化数据格式并处理长度与切分，小样本用LoRA、常规用全参微调+warmup学习率，最后闭环验证指标并转ONNX/GGUF部署。
-
关键在于找准学习路径和实践节奏：明确小目标建立正向反馈、通过调试真实代码强化理解、掌握模型设计逻辑而非死磕数学、将AI嵌入已有技能解决实际问题。
-
时间序列预测API的核心是可集成、可维护、可回溯，需标准化预处理、轻量模型封装、带置信区间返回、支持增量更新与冷启动兜底。
-
流式下载内存暴涨需用stream=True+分块读取+及时写入：设stream=True避免全响应体进内存；用iter_content(chunk_size)边读边写二进制文件；校验状态码、重定向及Content-Length；设timeout并捕获异常。
-
Python类设计核心是单一职责，即每个类只做一件事并做好；职责边界指类应承担的行为与数据范围，需通过影响范围、存储替换成本和测试便捷性三问判断；常见越界行为包括模型类发HTTP请求、业务类生成HTML、硬编码日志监控等，应拆分服务、分离数据与展示、用装饰器或中间件解耦；可用Protocol或ABC声明依赖协议，优先组合而非继承以增强灵活性与可测性。
-
本文介绍使用pandas的str.split()与explode()方法，高效、安全地将DataFrame中多个字符串型列表列（如"MS"和"DS"）按元素一一配对展开为长格式，自动处理长度不一致时的填充（如补NaN）。
-
图像处理数据清洗核心是统一格式、剔除干扰、保留信息：统一转RGB并缩放到固定尺寸，过滤模糊/全黑/全白等低质图，校验文件头与标签路径一致性。
-
multiprocessing.Pool不能直接传带状态的类实例，因pickle无法序列化实例属性（如session、锁），需改用纯函数+参数传入、进程内独立初始化资源、队列分发代理、PID哈希选UA、连接池限流、指数退避重试、异步回调落地结果。
-
和*在函数定义中是参数收集器，分别将多余位置参数和关键字参数聚合成tuple和dict；在函数调用、赋值、字典合并中才执行解包。
-
答案：Python中调用另一脚本的方法有四种：1.使用os.system("pythonother_script.py")可简单运行脚本但无法获取输出；2.推荐使用subprocess.run(["python","other_script.py"],capture_output=True,text=True)能捕获输出和错误，支持传参；3.若需复用函数，可将目标脚本作为模块import并调用其函数，要求其代码结构合理；4.使用exec读取并执行脚本内容，适用于动态执行但存在安全风险。根据需求选择：独立运
