-
Python3.11的traceback构建变快源于PEP657的延迟加载机制：异常创建时仅存轻量元数据，仅在格式化、打印或显式访问traceback时按需解析源码，大幅降低高频抛异常但不处理场景的开销。
-
浅拷贝copy.copy()在对象含可变嵌套对象（如list、dict）且被原地修改时出问题，导致新旧对象共享同一内存；深拷贝开销在于递归遍历、处理循环引用及不可序列化对象；自定义类需重写deepcopy控制资源字段；浅拷贝适用于仅含不可变字段或能确保不触发共享副作用的场景。
-
pandas.read_csv()直接读大文件内存爆掉是常态，因默认全量加载+自动类型推断，2GBCSV内存占用可达6–8GB；含字符串列时更甚，且列名空格会导致字段引用错误。
-
本文介绍如何利用Pandas的str.replace()配合正则表达式，精准删除字符串末尾最后一个连字符（-）及之后的所有字符，而保留中间的连字符不变，适用于ID清洗、命名标准化等数据预处理场景。
-
gc.collect()仅在显式打破大型循环引用后急需释放内存时有用，且需确认无其他强引用；避免在含del的对象或非CPython环境中调用，优先用weakref等设计手段预防问题。
-
pytesseract仅适用于干净文字或预处理截图，验证码需用模板匹配或ddddocr等专用工具，真实场景应优先绕过而非识别。
-
最直接的方法是使用字典的get()方法，它能优雅处理键不存在的情况。通过my_dict.get(key,default_value)语法，当键存在时返回对应值，不存在时返回指定默认值（未指定则为None），避免抛出KeyError异常。该方法简洁、安全且可读性强，特别适用于处理外部数据或不确定结构的字典。例如：user_info.get('city','北京')在'city'缺失时返回'北京'。相比try-except或in判断，get()更Pythonic。对于需自动初始化的场景，collections
-
知识蒸馏在TensorFlow2.x中必须使用自定义训练循环，因model.compile()和model.fit()无法支持教师-学生双logits联合损失计算；需用tf.GradientTape显式控制教师模型（trainable=False、training=False）与学生模型前向推理，并手动实现带温度缩放的KL散度损失及加权总损失。
-
write()不自动换行，需手动加\n；writelines()也不自动加换行，须确保每项含\n；w模式覆盖清空文件，a模式强制追加；务必用with管理文件或手动flush()和close()。
-
直接用免费代理列表跑爬虫总断连，因多数代理已失效、被封或超时；需用requests.head探活代理池，设timeout=3–5秒并捕获三类异常，状态码非200亦剔除。
-
最直接有效的解法是让「刚写完就查」的SELECT显式路由至主库，在请求粒度精准控制数据源为master_db，避免依赖延时、锁或全局开关，并辅以1.5秒本地缓存兜底。
-
在Python中实现并行计算可以使用多线程、多进程、异步编程和并行计算库：1.多线程适合I/O密集型任务，但受GIL限制；2.多进程适合CPU密集型任务，避免GIL影响；3.异步编程适用于I/O密集型任务，提高响应性；4.并行计算库如Dask和Joblib提供高层次抽象，简化大规模数据处理。
-
rename()在同文件系统内重命名是原子操作，可静默替换目标文件且不可中断；跨文件系统需fallback到copy+unlink；os.rename()继承此特性，但需注意内容落盘需额外fsync。
-
moto默认不自动注入AWS凭证，需显式设置环境变量或使用@mock_s3装饰器并指定region_name；multipartupload需严格匹配ETag和bucket；测试间需隔离状态，推荐每测用唯一bucket名。
-
用seaborn.heatmap画相关系数矩阵最稳，因其自动适配DataFrame.corr()、居中0值、内置发散色图、渲染行列名；需确保输入为带索引的DataFrame、设annot=True显示数值、用divergingcolormap（如"coolwarm"）、提前配置中文字体。
