如何优雅地为 Python 类批量添加采样方法：装饰器与描述符的高级实践-Python教程-PHP中文网

如何优雅地为 Python 类批量添加采样方法：装饰器与描述符的高级实践

本文介绍一种符合 DRY 原则的 Python 类设计模式——通过自定义描述符（@sample）让原始方法天然支持 .sample() 调用，避免重复定义采样方法，兼顾可读性、可维护性与扩展性。

本文介绍一种符合 dry 原则的 python 类设计模式——通过自定义描述符（`@sample`）让原始方法天然支持 `.sample()` 调用，避免重复定义采样方法，兼顾可读性、可维护性与扩展性。

在科学计算或时间序列分析中，常需对原始统计方法（如 mean()、sd()）提供对应的插值采样版本（如 spl_mean()、spl_sd()）。若采用手动定义 + 重复装饰的方式（如 @sample 修饰 spl_mean），不仅违反 DRY 原则，还会随方法数量增长导致类体臃肿、命名冗余、维护困难。

更优雅的解法是将“采样能力”作为方法的第一等行为扩展，而非独立方法。核心思路是：利用 Python 描述符协议（__get__），使被 @sample 修饰的方法返回一个可调用对象（Samplable 实例），该对象既保留原方法调用语义（bar.mean()），又提供专属的采样接口（bar.mean.sample()）。

以下是完整实现（已适配实际插值逻辑）：

from scipy import interpolate
import numpy as np

class Samplable:
    def __init__(self, bound_method):
        self._method = bound_method  # 已绑定到实例的函数

    def __call__(self, *args, **kwargs):
        """直接调用原始方法"""
        return self._method(*args, **kwargs)

    def sample(self, n_sample=100, **interp_kwargs):
        """执行插值采样：自动使用 self.ids 和当前方法结果"""
        # 动态获取实例的 ids 和数据范围（需确保实例有 ids 属性）
        obj = self._method.__self__
        if not hasattr(obj, 'ids'):
            raise AttributeError("Instance must have 'ids' attribute for sampling.")

        # 计算原始统计值
        vals = self._method()

        # 执行一维插值（支持 axis=0 的多维数组）
        new_ids = np.linspace(obj.ids[0], obj.ids[-1], n_sample)
        try:
            interp_func = interpolate.interp1d(
                obj.ids, vals, axis=0, bounds_error=False,
                fill_value="extrapolate", **interp_kwargs
            )
            return interp_func(new_ids)
        except Exception as e:
            raise RuntimeError(f"Sampling failed: {e}") from e

class sample:
    def __init__(self, func):
        self.func = func
        # 保留原函数元信息（如文档、名称），提升调试体验
        import functools
        functools.update_wrapper(self, func)

    def __get__(self, obj, objtype=None):
        if obj is None:
            return self
        # 绑定方法并包装为 Samplable 对象
        bound_method = self.func.__get__(obj, objtype)
        return Samplable(bound_method)

# 使用示例
class Bar:
    def __init__(self, ids, data):
        self.ids = np.asarray(ids)
        self.data = np.asarray(data)

    @sample
    def mean(self):
        return self.data.mean(axis=0)

    @sample
    def sd(self):
        return self.data.std(axis=0)

    @sample
    def max(self):
        return self.data.max(axis=0)

调用方式简洁直观：

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

bar = Bar(ids=np.arange(5), data=np.random.rand(12, 5))

# 原始统计
print(bar.mean())   # shape: (5,)
print(bar.sd())     # shape: (5,)

# 采样版本（无需额外方法名）
sampled_mean = bar.mean.sample(n_sample=200)   # shape: (200, 5)
sampled_sd   = bar.sd.sample(n_sample=200)     # shape: (200, 5)

# 验证一致性（与手动插值结果一致）
manual_interp = interpolate.interp1d(
    bar.ids, bar.mean(), axis=0
)(np.linspace(bar.ids[0], bar.ids[-1], 200))
assert np.allclose(sampled_mean, manual_interp)

✅ 优势总结：