如何通过组合模式消除无用的抽象方法：重构测量计算系统的可扩展设计-Python教程-PHP中文网

如何通过组合模式消除无用的抽象方法：重构测量计算系统的可扩展设计

本文介绍如何用组合替代继承，将可选行为（如排除逻辑）抽象为独立接口，使子类无需强制实现无意义的抽象方法，提升代码灵活性与可维护性。

本文介绍如何用组合替代继承，将可选行为（如排除逻辑）抽象为独立接口，使子类无需强制实现无意义的抽象方法，提升代码灵活性与可维护性。

在构建医疗质量测量（如 ASC、HEDIS 等）这类分层计算系统时，常见模式是定义抽象基类（如 Denominator、Numerator、Stratification）来规范子测量（Submeasure）的行为。但当某些具体子类（如 sub2）天然复用上游结果、无需重复执行某类操作（如 _remove_exclusions()）时，强制实现空方法不仅违背面向对象设计原则（如里氏替换、接口隔离），还会污染代码语义、增加维护成本。

根本问题在于：将“是否需要排除”这一可变行为硬编码为所有子类必须实现的抽象契约，混淆了“结构共性”与“行为可选性”。解决方案不是引入更多继承层级（如 Exclusions 混入类），而是转向更灵活、更符合单一职责原则的策略+组合模式。

✅ 正确做法：用接口抽象行为，用组合注入能力

首先，定义一个轻量级行为接口，聚焦单一职责：

from abc import ABC, abstractmethod
import pandas as pd

class Excludable(ABC):
    """策略接口：定义数据排除行为"""

    @abstractmethod
    def remove_exclusions(self, df: pd.DataFrame) -> pd.DataFrame:
        """对输入 DataFrame 应用排除逻辑，返回过滤后结果"""
        ...

该接口不绑定任何生命周期或状态，仅声明“能做什么”，为不同排除策略（如基于规则、基于外部列表、或完全跳过）提供统一入口。

接着，重构 Submeasure 基类，移除冗余抽象方法，改为依赖注入式组合：

class Submeasure(Denominator, Numerator, Stratification):
    """支持按需启用排除逻辑的子测量基类"""

    def __init__(
        self,
        name: str,
        data: list[pd.DataFrame],
        exclusion_handler: Excludable | None = None
    ):
        self.name = name
        self.data = data
        self.exclusion_handler = exclusion_handler  # 可选组件，非必需

    def apply_exclusions(self) -> None:
        """安全调用排除逻辑：仅当 handler 存在时执行"""
        if self.exclusion_handler is not None:
            self.data = [
                self.exclusion_handler.remove_exclusions(df) 
                for df in self.data
            ]

此时，Submeasure 不再承担“是否要排除”的决策权，也不再有未实现的占位方法；它只负责协调——若配置了 Excludable，就执行；否则静默跳过。

Muset

Muset是面向深度创作者的 AI 原生写作工具。

下载

? 具体应用：差异化配置子测量实例

在具体测量类（如 ASC）中，根据业务语义显式决定每个子测量是否需要排除能力：

class ASC(Measurement):
    def __init__(
        self, 
        sub1_data: list[pd.DataFrame], 
        sub2_data: list[pd.DataFrame] | None = None
    ):
        super().__init__("ASC")

        # sub1：完整流程，需独立排除
        self.__sub1__ = _Sub_1(
            name=self.get_name() + "_sub_1",
            data=sub1_data,
            exclusion_handler=DefaultExclusion()  # 注入具体策略
        )

        # sub2：派生自 sub1 结果，无需重复排除 → 不传 handler
        self.__sub2__ = _Sub_2(
            name=self.get_name() + "_sub_2",
            data=sub2_data
            # exclusion_handler 默认为 None，apply_exclusions 将被跳过
        )

    def calculate(self) -> dict[str, pd.DataFrame]:
        # Step 1: 执行 sub1（含排除、分母/分子/分层计算）
        sub1_results = self.__sub1__.compute()

        # Step 2: 从 sub1 结果中高效提取 sub2 输入（避免重复计算）
        populace, stratification = self.__get_sub2_subset(sub1_results)
        self.__sub2__._set_sub1_subset((populace, stratification))

        # Step 3: 执行 sub2（无排除，直接基于已过滤数据）
        return self.__sub2__.compute()

此设计彻底消除了 @override def _remove_exclusions(): pass 这类反模式代码，同时带来三重优势：