本文介绍如何通过策略模式与组合（Composition）重构过度依赖抽象类继承的绘图系统，避免爆炸式增长的抽象基类（如 AbstractMonthlyMultiPanelPlot），提升代码可维护性、复用性与可测试性。
本文介绍如何通过策略模式与组合（composition）重构过度依赖抽象类继承的绘图系统，避免爆炸式增长的抽象基类（如 `abstractmonthlymultipanelplot`），提升代码可维护性、复用性与可测试性。
在面向对象设计中，当发现抽象类数量随业务维度（如“月度/季节/多面板”“等高线/折线/散点”）呈笛卡尔积式增长时，往往意味着继承体系已偏离初衷——它不再表达“is-a”关系，而是在强行模拟配置组合。你示例中的 AbstractMonthlyPlot、后续可能衍生的 AbstractSeasonalPlot 或 AbstractMultiPanelPlot，本质上是将数据组织方式（时间维度结构）与可视化行为（绘图逻辑）耦合在同一个继承链中，这既违背单一职责原则，也严重削弱扩展能力：每新增一种图表类型或一种时间切片方式，都需创建新抽象类甚至多重继承子类。
更 Pythonic 的解法是采用组合优于继承（Composition over Inheritance）原则，将系统拆分为两个正交职责层：
-
行为层（Strategy）：封装绘图逻辑，如
ContourPlotter、LinearPlotter，统一实现Plotter接口； -
结构层（Context）：负责布局、循环、资源管理，如
MonthlyPlot，通过构造函数注入具体Plotter实例。
这种分离使变化点解耦：添加新图表类型只需新增一个 Plotter 子类；调整时间维度（如改为季度）只需新增 QuarterlyPlot 类，复用全部现有 Plotter；甚至可动态切换策略：
# 支持运行时策略切换
class MonthlyPlot:
def __init__(self, plotter: Plotter):
self.plotter = plotter # 可随时 reassign
def set_plotter(self, new_plotter: Plotter):
self.plotter = new_plotter
def plot(self, month_to_data: List[Tuple[ndarray]]):
fig, axs = plt.subplots(12, 1, figsize=(8, 24))
for i, data in enumerate(month_to_data):
self.plotter.plot(ax=axs[i], data=data)
return fig
此外，该设计天然支持依赖注入与单元测试：MonthlyPlot 的行为可被完全隔离测试（mock plotter.plot），无需真实 matplotlib 环境；Plotter 子类亦可独立验证绘图逻辑。相较深层继承，代码体积更小、继承深度恒为 1（仅 Plotter → 具体实现），且符合 Python 的显式、扁平哲学——MonthlyPlot(contour_plotter) 比 Contour(AbstractMonthlyPlot) 更清晰地表达了“用等高线方式绘制月度图”的语义。
注意事项：
- 避免为“微小差异”创建新
Plotter类（如仅颜色不同），应通过参数化（如ColorPlotter(color='red')）或装饰器处理； - 若
Plotter接口方法增多（如需支持save()、annotate()），可引入协议（typing.Protocol）替代 ABC，进一步降低耦合； - 对于复杂布局（如嵌套多面板），可将
MonthlyPlot升级为可组合的Layout抽象（如VerticalLayout,GridLayout），形成策略+布局的双层组合体系。
最终，这不是放弃 OOP，而是更精准地运用它：用继承定义稳定契约（Plotter 接口），用组合实现灵活装配（MonthlyPlot + ContourPlotter）。这才是真正践行 DRY 与开闭原则的 Python 方式。
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！
