健身管理类应用与之前分析的外卖、招聘等应用有本质差异——它的核心数据不是"交易"或"任务"，而是"时间序列的身体状态数据"：每次训练有时长、卡路里、组数、重量；每次饮食有热量、蛋白质、碳水、脂肪；每周有运动时长趋势图。这些数据的共同特征是"随时间积累，用户需要横向对比和趋势分析"。这导致健身App的数据层设计必须从第一天就考虑"历史数据查询"和"多维度聚合"的需求，而非仅关注当前单条记录的增删改查

健身管理类应用与之前分析的外卖、招聘等应用有本质差异——它的核心数据不是"交易"或"任务"，而是"时间序列的身体状态数据"：每次训练有时长、卡路里、组数、重量；每次饮食有热量、蛋白质、碳水、脂肪；每周有运动时长趋势图。这些数据的共同特征是"随时间积累，用户需要横向对比和趋势分析"。这导致健身App的数据层设计必须从第一天就考虑"历史数据查询"和"多维度聚合"的需求，而非仅关注当前单条记录的增删改查

的 iterkeys()、itervalues()和 iteritems()本来返回的是迭代器，而 Python 3 中并。的 iterkeys()、itervalues()和 iteritems()方法返回的迭代器的特性。字典的 keys()、values()和 items()3 个方法的返回值类型不再是列表。视图对象既有旧的 keys()、values()和 items()方法返回的列表的特性

函数和方法的名称应该使用小写加下划线。但在旧的标准库模块中并不总是这样。Python 3 对标准库做了大量重组，所以大多数函数和方法都有一致的大小写。不过对于某些模块（例如 threading）而言，你可以访问使用混合大小写（mixedCase）的旧的函数名称（例如 currentThread）。留着它们是为了更容易向后兼容，但如果你不需要在旧版Python 中运行代码，那么应该避免使用这些旧的名

py.test 中的典型解决方案要容易得多。在我们的例子中，我们使用了 py.test 框架中的 monkey-patching 实用程序，但。在上面的代码中，我们使用了一个新的 pytest.yield_fixture()装饰器。Python 中有很多模拟库，但最常见的是 unittest.mock，标准库中也提供了该库。例中，我们手动执行了一切，并提供了一个自定义的 patch_smtplib

Foo 和 bar 是坏成员。当读者试图通过一个使用示例来理解一段代码如何运行时，不切实际的示例会让代码难以理解。为什么不使用现实中的例子？通常的做法是确保每个代码示例都可以剪切并粘贴到一个真正的程序中。

健身管理类应用与之前分析的外卖、招聘等应用有本质差异——它的核心数据不是"交易"或"任务"，而是"时间序列的身体状态数据"：每次训练有时长、卡路里、组数、重量；每次饮食有热量、蛋白质、碳水、脂肪；每周有运动时长趋势图。这些数据的共同特征是"随时间积累，用户需要横向对比和趋势分析"。这导致健身App的数据层设计必须从第一天就考虑"历史数据查询"和"多维度聚合"的需求，而非仅关注当前单条记录的增删改查

健身管理类应用与之前分析的外卖、招聘等应用有本质差异——它的核心数据不是"交易"或"任务"，而是"时间序列的身体状态数据"：每次训练有时长、卡路里、组数、重量；每次饮食有热量、蛋白质、碳水、脂肪；每周有运动时长趋势图。这些数据的共同特征是"随时间积累，用户需要横向对比和趋势分析"。这导致健身App的数据层设计必须从第一天就考虑"历史数据查询"和"多维度聚合"的需求，而非仅关注当前单条记录的增删改查

健身管理类应用与之前分析的外卖、招聘等应用有本质差异——它的核心数据不是"交易"或"任务"，而是"时间序列的身体状态数据"：每次训练有时长、卡路里、组数、重量；每次饮食有热量、蛋白质、碳水、脂肪；每周有运动时长趋势图。这些数据的共同特征是"随时间积累，用户需要横向对比和趋势分析"。这导致健身App的数据层设计必须从第一天就考虑"历史数据查询"和"多维度聚合"的需求，而非仅关注当前单条记录的增删改查

健身管理类应用与之前分析的外卖、招聘等应用有本质差异——它的核心数据不是"交易"或"任务"，而是"时间序列的身体状态数据"：每次训练有时长、卡路里、组数、重量；每次饮食有热量、蛋白质、碳水、脂肪；每周有运动时长趋势图。这些数据的共同特征是"随时间积累，用户需要横向对比和趋势分析"。这导致健身App的数据层设计必须从第一天就考虑"历史数据查询"和"多维度聚合"的需求，而非仅关注当前单条记录的增删改查