-
TDD的核心价值在于重构安全与设计清晰：改函数逻辑后通过测试快速验证行为不变；需拆分业务规则为独立测试、单断言、参数化覆盖；mock外部依赖避免环境耦合；低覆盖率暴露设计缺陷；CI自动化确认替代人工验证。
-
Python缓存设计核心是选对策略、控好粒度、管住生命周期；需依场景选用@lru_cache、redis-py、diskcache等工具，规范键设计，合理设置失效策略，并实施击穿、雪崩、穿透防护。
-
字符串切片生成新对象而非修改原字符串，因str不可变；负步长时start需大于end，越界不报错但易掩藏bug，关键截取前应校验长度。
-
mmap是内存映射文件的方法，通过将文件映射到虚拟内存，使程序能像操作内存一样读写文件。使用时需以二进制模式打开文件，调用mmap.mmap()创建映射，支持随机访问和修改，适用于大文件处理如日志分析、数据库索引等，可提升效率并节省内存。注意映射大小不超过文件长度，操作后及时关闭对象以防资源泄露。
-
del不返回值且键不存在时报错，pop返回被删值并支持默认值防错，popitem删除并返回最后插入的键值对。
-
共享colorbar需统一vmin/vmax或Normalize实例，用fig.colorbar(im,ax=axes)绑定所有子图，再通过set_label_coords和rotation精调标签位置。
-
Python并发异常处理需按执行模型分层设计：线程异常须主动捕获并经Queue等传递；进程异常依赖exitcode或Future接口；asyncio中Task异常需显式检查exception()；通用策略强调状态隔离、幂等重试与显式超时。
-
Python数据校验无唯一最优解，选型需匹配场景：轻量数据用pydantic，API层强约束首选pydanticv2，配置文件可选cerberus或voluptuous，简单检查用assert或自定义函数。
-
Scrapy是Python中成熟高效的爬虫框架，适合中大型项目，本文以抓取政务网站公告为例，完整演示了项目创建、爬虫编写、数据解析及CSV/MySQL存储全流程。
-
fvcore.compute_flops算不准自定义模型，主因是动态控制流、未注册算子或输入缺shape；需避免Python控制流、确保输入为具体张量且device一致、用model.eval()和torch.no_grad()；jit.script模块需临时移除装饰器或内联展开；推荐用compute_flops而非get_model_flops，并注意单位是flop（4.1e9=4.1GFLOPs）。
-
PyPI上查源码应优先下载带source的.tar.gz，解压后找src/或包名目录；更可靠的是通过PyPI的Repository链接直达GitHub/GitLab仓库；Awesome-Python仅作方向参考，链接易失效。
-
Pydantic是Python数据校验首选，将类型、默认值、约束和错误提示统一于BaseModel；dataclass+__post_init__适合轻量校验；jsonschema适用于跨语言协议对齐；校验需关注时机与位置，避免错位。
-
Celery任务中db.session报错是因为worker进程未加载Flask应用上下文，导致db依赖的app_context缺失；正确做法是通过ContextTask封装、celery.init_app(app)挂载或显式传入app实例来复用已初始化的Flask应用上下文。
-
应先用isascii()确保字符在0–127范围内，再用isprint()排除控制字符；需将char强转为unsignedchar后调用，逐字节遍历并遇'\0'停止。
-
__slots__对字典本身无效，它只作用于类实例的属性存储；想优化大型字典内存，得换思路——用紧凑键、预分配、生成器或替代结构。
