-
Python量化交易异常检测核心是快速定位、可解释、可嵌入实盘，需先做数据清洗（缺失值、无穷大、不合理价格、重复时间戳、时区对齐），再用Z-score、IQR、波动率突变等统计规则实时标记，辅以IsolationForest或LOF轻量模型识别隐蔽异常，结果须写入日志、对接风控、人工复核并定期重训模型。
-
OpenCV是Python图像识别的起点，需掌握读图（注意BGR格式与中文路径）、显示（waitKey+destroyAllWindows）、灰度化（cvtColor）、缩放（resize及插值选择）、边缘检测（Canny）等核心操作。
-
必须用global声明才能在函数内重新绑定全局变量，否则赋值会创建局部变量；读取全局变量无需声明，修改可变对象内容也不需global，仅重新赋值变量名时才需要。
-
贝叶斯优化是用概率模型智能选择超参数的高效方法，适用于训练慢、评估贵的模型；需明确定义目标与合理参数空间，用Hyperopt实现，结合交叉验证与可复现设置，最终在独立测试集验证效果。
-
应使用dateutil.parser.parse()解析用户传入的日期字符串，因其能自动识别多种格式并支持fuzzy=True容错，避免strptime()因格式不匹配抛ValueError。
-
直接用LogisticRegression训练原始连续变量会出问题，因金融风控中年龄、收入等与违约非线性相关，且原始变量易受异常值干扰、系数缺乏业务可解释性，不满足监管对模型可解释性的强制要求。
-
WSGI是同步协议，要求请求在单线程/进程内阻塞完成，适合传统Web应用；ASGI是异步协议，基于事件流支持WebSocket、HTTP/2等，适合高并发I/O密集场景。
-
Pythonint不怕溢出是因为采用任意精度设计，底层自动切换大整数表示；但代价是小整数与超大整数共享接口却性能差异巨大，str()、除法等操作复杂度显著升高。
-
PIL的Image.fromarray()不支持形状为(H,W,1)的三维单通道数组，仅接受二维灰度数组(H,W)或标准三通道(H,W,3)；需通过降维或显式指定模式解决。
-
配置中心核心目标是解耦与动态化配置，避免硬编码和打包进镜像，实现独立修改、灰度发布、实时生效、版本与审计；Python需组合Consul/Nacos等存储、SDK客户端、本地兜底及抽象层来构建分层配置体系。
-
Locust调用FastAPI需用同步requests客户端，task函数不可用async/await；JWT认证通过headers传递；422错误需catch_response=True手动标记success；FastAPI必须关闭debug和reload；依赖与中间件须异步且并发安全。
-
Flask返回Range请求需手动解析Range头、校验合法性、定位偏移，用生成器流式yield二进制数据，设置206状态码及Content-Range等响应头，避免内存溢出与句柄泄漏。
-
TF2.x中应使用tf.data.Dataset替代已弃用的tf.train.string_input_producer和tf.train.start_queue_runners；通过interleave、map的num_parallel_calls和prefetch实现高效并行读取，避免手动线程管理。
-
本文介绍如何重构Python类型校验函数，使其既能执行运行时检查，又能向Mypy传递可靠的类型信息（如排除None或缩小字面量类型），避免手动重复assert，真正实现类型安全与逻辑复用的统一。
-
mask=~np.any(np.isnan(arr),axis=1)是剔除含NaN行的核心表达式，返回不含缺失值的行掩码；需确保arr为数值型dtype且axis=1正确，object类型需预处理或改用pd.isna()。
