不会自动丢数据，但默认行为可能隐式过滤或类型失真：直接用list(QuerySet)会丢失外键关联字段、忽略None处理、使时区感知datetime变为naive；稳妥做法是显式values()指定字段（支持双下划线跨表），注意None值非空字符串。
用Django模型直接转成Pandas DataFrame会丢数据吗？
不会自动丢，但默认行为可能隐式过滤或类型失真。Django的 QuerySet 转 pandas.DataFrame 时，若直接用 list(queryset) 或 values_list()，容易漏掉外键关联字段、忽略 None 值处理、丢失时区感知时间（datetime 变成 naive）。更稳妥的方式是先用 values() 显式指定字段，再传给 pd.DataFrame：
df = pd.DataFrame(list(MyModel.objects.filter(status='active').values('id', 'name', 'created_at', 'category__name')))
注意：category__name 这种双下划线跨表字段在 values() 中合法，但若关联对象为 None，对应值会是 None，不是空字符串——这点常被误认为“丢数据”。
在Django视图里跑Pandas分析会不会阻塞请求？
会，而且很常见。Pandas操作（尤其是 groupby、merge、读大CSV）是纯CPU密集型，Django默认的同步视图会把整个worker线程卡住。别在 views.py 里直接写 df.groupby(...).sum() 处理上万行数据。
- 小数据（async def 视图 +
sync_to_async包裹数据库读取，Pandas计算仍放同步段，影响可控 - 中等数据（5k–100k）：提前在后台任务（如 Celery）里算好结果，存到缓存（
cache.set('report_df_hash', df.to_dict(), 300)）或临时模型 - 大数据（>100k）：放弃在Django进程内做Pandas，改用
django-pandas的read_frame()配合数据库原生聚合（annotate()+aggregate()），把计算压力推给数据库
django-pandas 的 read_frame() 比手写 values() 慢很多？
是的，慢通常发生在三类场景：字段含大量文本（如 TextField）、有未索引的 ForeignKey、或启用了 select_related()/prefetch_related() 但没在 read_frame() 中显式控制。它底层调用的是 QuerySet.iterator()，但会额外做类型映射（比如把Django的 DurationField 转成 timedelta64）。
实操建议：
创建 Flask + Vue.js 全栈项目，采用单端口架构、uv 依赖管理、结构化日志和生产级前端设计。当用户要求以下操作时触发：创建新的 Flask+Vue 项目、搭建 Web 应用、构建全栈 Python+Vue 应用、初始化 Flask Web 项目、设置单端口 Flask 前后端项目。触发词：新建项目、创建项目、搭建项目、Flask项目、Vue项目。
- 永远传
fieldnames参数，不依赖read_frame(qs)自动推导全部字段 - 避免传入已
select_related的 QuerySet——read_frame()不识别预加载关系，仍会触发N+1反向查询 - 对时间字段，加
coerce_float=False防止意外转成NaN；对布尔字段，用parse_dates显式声明时间列
部署时Pandas和Django共存报 ImportError: numpy.core.multiarray failed
这是典型的二进制兼容问题，尤其在 Alpine Linux（Docker默认）上。numpy 和 pandas 的 wheel 包在musl libc环境下编译失败，导致运行时报 multiarray 加载异常。
解决路径很窄：
- 开发机用 conda 或
pip install --only-binary=numpy,pandas强制装预编译包（仅限x86_64 glibc环境） - 生产Docker镜像必须切到
python:3.11-slim或debian基础镜像，避开alpine - 如果非用 Alpine，得自己编译：先
apk add gcc g++ gfortran openblas-dev，再pip install --no-binary=numpy,pandas numpy pandas（极慢且易内存溢出）
这个错误几乎不会在本地开发报，但上线就崩，属于“环境差一毫，线上全白干”的典型。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
