-
Python中创建堆主要用heapq模块实现最小堆，通过列表配合heappush、heappop和heapify操作；构建最大堆需对元素取负值；可封装类简化使用；线程安全场景可用PriorityQueue。
-
after()是延后执行而非定时器，需在回调末尾递归调用self.after(ms,func)实现周期刷新；误用单次调用或while+sleep会导致UI卡死；暂停/重置须用after_cancel()配合ID管理；避免after(0)以防过载；多组件需各自管理job_id并做销毁防护。
-
Flask接收前端分片Blob需用request.files['file'].read()立即读取字节，避免请求体被消耗；分片应追加写入临时文件并记录已接收索引，合并前校验哈希，完成后原子重命名，并定时清理过期.part文件。
-
Python无严格私有成员，单下划线（_name）表受保护约定，双下划线（__name）触发病名改写（_ClassName__name）防子类覆盖，双下划线前后（__name__）为魔法方法；真封装需@property等机制。
-
deque在频繁头部插入时性能优于list：list.insert(0,x)为O(n)，deque.appendleft()为O(1)；但deque不支持切片且随机访问慢2–3倍。
-
应使用type(obj)isdict严格判断是否为原生dict，因isinstance(obj,dict)会误判defaultdict、OrderedDict等子类，导致json.dumps等操作异常；若只需映射行为，应优先用isinstance(obj,collections.abc.Mapping)。
-
在Django异步视图或Channels消费者中调用hasattr(obj,'field')可能意外抛出KeyError而非预期的False，根本原因在于Django关系字段（如ForeignKey）的描述符在异步环境下无法安全执行同步数据库查询，导致底层缓存访问失败并抛出KeyError，而非标准AttributeError。
-
直接赋值绕过验证因无@property时属性为普通变量；@property提供受控访问，需配套setter实现校验，命名须一致且存储变量用下划线区分，初始化通常绕过setter以避免重复校验。
-
Python自带dict不支持TTL因其纯内存映射，无时间戳、过期检查或自动清理机制；手动维护易致内存泄漏，Timer方案开销大且难管理；推荐懒过期封装方案，读时检查并删除过期项。
-
Python内置函数分五类：基础数据处理（如print、len、type）、对象与属性操作（如dir、hasattr）、迭代与高阶函数（如range、map）、输入输出与调试辅助（如input、help），共约70个，常用20–30个覆盖多数场景。
-
本文介绍一种纯NumPy向量化方法，将源数组Y中每行的非零元素，按顺序填入目标数组X每行最靠前的零值位置，全程避免Python循环，适用于大规模矩阵（如5000×20000）高频操作。
-
match.groups()最适合“不关心分组数量”的场景，它返回包含所有捕获组值的元组，无论组数多少或是否匹配成功，均不会报错，且天然过滤未参与匹配的组。
-
Pandas筛选数据核心是布尔索引，通过条件生成True/False序列来选择行；结合loc、iloc、query()、isin()、between()及.str方法可实现多条件组合与复杂场景筛选，处理缺失值可用isnull()/notna()，配合括号明确优先级，提升代码可读性与效率。
-
Python处理大规模日志需流式读取、预编译正则提取字段、结构化写入CSV或JSONLines、分块输出、加进度提示与断点续跑，确保内存可控、格式一致、鲁棒可维护。
-
必须用fromtkinterimportttk或importtkinter.ttk，不能直接importttk；启用主题需先创建根窗口再调用ttk.Style()并用theme_use()设置，如'vista'或'clam'。
