数据处理 第2页

把用户文字嵌入正则模式时，点号、加号等字符可能被解释为语法。若目标是匹配这段文字本身，可先用re.escape处理模式片段，并明确是否要求整串匹配。

从命令行把数值传给jq时，使用arg会得到字符串，即使内容看起来是数字。需要JSON数值、布尔或对象时，应理解argjson的解析行为，并按业务要求选择类型。

模型输出一个分数或概率后，还需要规则决定是否判为正例。调整这个决策阈值会改变标签结果，但不等于重新训练模型，也不会自动改善概率本身的校准。

用历史记录预测未来时，随机拆分数据可能让模型在训练中见到比测试时点更晚的信息。验证方式应该尽量还原真实使用时“先有历史，再预测后续”的顺序。

defaultdict能在缺失键被索引访问时创建默认值。于是一个看似读取的表达式，也可能改变容器内容；如果只想查询是否存在，需要选对访问方式。

itertools.groupby按照连续相同的键分组，并不会自动把整份数据中同键的记录聚到一起。看到A、B、A分成三组，通常是输入顺序与预期用途没有对齐。

jq的双斜线运算符会对false和null等情况使用右侧结果。如果配置中的false表示用户明确关闭功能，直接补默认值可能把这项选择覆盖掉。

如果要评估模型面对新用户的表现，只随机拆分记录可能不够。同一用户的多条记录出现在训练和测试两边时，测到的可能包含对熟悉用户的识别能力。

一个数据流需要被两处读取时，tee可以提供多个迭代器，但它不是免费复制。各分支推进速度不同，可能需要保留尚未被慢分支读取的数据。

只把文字转为小写，不一定能覆盖Unicode中的大小写无关匹配。casefold为这种匹配提供更强的折叠处理，但它仍不是所有文字等价问题的统一答案。