Python成为AI首选语言，因其语法简洁、库生态完善、接口统一（如scikit-learn的fit/predict）、支持动态修改模型结构，并兼顾开发效率与底层性能。
Python不是因为“最适合AI”才成为首选，而是因为科研人员、工程师、数学家在真实场景里反复验证后，发现它最不容易拖慢实验节奏——语法不卡人，库够用，出错时能快速定位。
为什么scikit-learn的fit()和predict()能统一所有模型
这不是设计上的炫技，而是为降低认知负荷。线性回归、随机森林、SVM，只要数据格式对（X是二维数组，y是一维），就能套同一套接口。
- 常见错误：传入
pandas.Series当y，但某些老版本scikit-learn会静默失败或报ValueError: Expected 2D array, got 1D array instead - 正确做法：始终用
y.values.reshape(-1, 1)或np.array(y)显式转成数组 - 性能影响：接口层无额外开销，真正耗时在底层C/Fortran实现，
fit()本身只是调度入口
torch.nn.Module和tf.keras.Model为何都用Python类封装模型
因为AI实验的核心动作是“改结构、试参数、看loss”，而Python类天然支持动态属性、方法重载和运行时修改——比如在训练中临时替换某一层：model.layer2 = torch.nn.Identity()，这事在Java或C++里得重编译。
- 容易踩的坑：PyTorch里
model.eval()只影响Dropout和BatchNorm，但不会自动禁用torch.no_grad()；推理时漏写with torch.no_grad():会导致显存暴涨 - 兼容性注意：TensorFlow 2.x默认Eager模式，行为接近PyTorch；但切换回Graph模式（
@tf.function）后，部分Python控制流（如if依赖tensor值）会失效
为什么numpy.array()比原生Python list快，却常被误用
NumPy快，是因为它把数据存在连续内存块，并用C级循环做运算；但这个优势只在批量操作时成立。单个数字加减、索引访问，反而比list慢。
立即学习“Python免费学习笔记（深入）”；
- 典型误用：用
for i in range(len(arr)):遍历numpy.ndarray，而不是用向量化操作arr > 0.5 - 路径陷阱：
np.array([1, 2, 3])创建的是int64，但在GPU训练中常需dtype=np.float32，否则PyTorch会报RuntimeError: expected scalar type Float but found Long - 内存警告：
np.concatenate()每次调用都新建数组，大数据量下应优先用np.empty()预分配再填充
真正卡住进度的，往往不是算法本身，而是类型隐式转换、设备放置（CPU/GPU）、随机种子没固定这些细节——它们不写在论文里，但每一条都得手动查文档、试输出、翻GitHub issue才能确认。
