如何在Python Dataclass中参数化类型注解以实现尺寸验证？

你尝试用typing.Generic实现带尺寸参数的VectorCovariancePair，希望在构造时校验数组尺寸，但发现无法从实例中获取泛型参数N——这是因为Python默认会擦除泛型类型的运行时信息，导致__orig_bases__返回的是类型变量占位符而非具体数值。以下是几种可行的解决方案：

方案1：显式传递尺寸参数（无第三方依赖） #

最直接的方式是在VectorCovariancePair中添加一个n字段，显式存储尺寸信息，在__post_init__中用它做校验：

from typing import TypeVar, Generic
import numpy as np
from dataclasses import dataclass

N = TypeVar('N', bound=int)

@dataclass
class VectorCovariancePair(Generic[N]):
    data: np.ndarray[np.float64]
    covariance: np.ndarray[np.float64]
    n: int  # 显式声明尺寸参数

    def __post_init__(self):
        # 校验data尺寸
        if self.data.size != self.n:
            raise ValueError(f"Data size mismatch: expected {self.n}, got {self.data.size}")
        # 校验covariance尺寸（确保是N*N的二维数组）
        if self.covariance.shape != (self.n, self.n):
            raise ValueError(f"Covariance shape mismatch: expected ({self.n}, {self.n}), got {self.covariance.shape}")

# 使用示例
@dataclass
class Pose:
    position: VectorCovariancePair[3]
    orientation: VectorCovariancePair[4]

# 构造时传入对应尺寸
valid_position = VectorCovariancePair(
    data=np.array([1.0, 2.0, 3.0]),
    covariance=np.eye(3),
    n=3
)

优点：实现简单，不依赖第三方库，错误信息清晰；缺点：需要手动传入n，存在重复输入的可能。

方案2：使用Pydantic自动提取泛型参数 #

Pydantic会保留泛型类的运行时类型信息，通过__orig_class__可以直接获取具体的泛型参数：

from pydantic import BaseModel
from typing import TypeVar, Generic
import numpy as np

N = TypeVar('N', bound=int)

class VectorCovariancePair(BaseModel, Generic[N]):
    data: np.ndarray[np.float64]
    covariance: np.ndarray[np.float64]

    def __init__(self, **data):
        super().__init__(**data)
        # 从泛型实例中获取具体的N值
        n = self.__orig_class__.__args__[0]
        # 执行尺寸校验
        if self.data.size != n:
            raise ValueError(f"Data size mismatch: expected {n}, got {self.data.size}")
        if self.covariance.shape != (n, n):
            raise ValueError(f"Covariance shape mismatch: expected ({n}, {n}), got {self.covariance.shape}")

class Pose(BaseModel):
    position: VectorCovariancePair[3]
    orientation: VectorCovariancePair[4]

# 使用时直接指定泛型参数构造
valid_position = VectorCovariancePair[3](
    data=np.array([1.0, 2.0, 3.0]),
    covariance=np.eye(3)
)

优点：无需手动传递尺寸，自动从泛型参数提取，Pydantic还提供额外的类型校验能力；缺点：引入第三方依赖（需执行pip install pydantic）。

方案3：自定义装饰器实现自动化（无依赖） #

如果不想依赖第三方库且希望完全自动化，可以通过自定义装饰器解析泛型参数，自动注入尺寸属性：

from typing import TypeVar, Generic
import numpy as np
from dataclasses import dataclass, field

N = TypeVar('N', bound=int)

def inject_size_param(cls):
    """装饰器：从泛型参数中提取N，自动注入到实例的n属性"""
    original_init = cls.__init__
    def new_init(self, *args, **kwargs):
        original_init(self, *args, **kwargs)
        # 获取当前实例的泛型参数
        if hasattr(self, '__orig_class__'):
            self.n = self.__orig_class__.__args__[0]
        else:
            raise ValueError("VectorCovariancePair must be instantiated with a size parameter (e.g., VectorCovariancePair[3])")
    cls.__init__ = new_init
    return cls

@inject_size_param
@dataclass
class VectorCovariancePair(Generic[N]):
    data: np.ndarray[np.float64]
    covariance: np.ndarray[np.float64]
    n: int = field(init=False)  # 禁止手动初始化，由装饰器注入

    def __post_init__(self):
        if self.data.size != self.n:
            raise ValueError(f"Data size mismatch: expected {self.n}, got {self.data.size}")
        if self.covariance.shape != (self.n, self.n):
            raise ValueError(f"Covariance shape mismatch: expected ({self.n}, {self.n}), got {self.covariance.shape}")

# 使用示例
valid_position = VectorCovariancePair[3](
    data=np.array([1.0, 2.0, 3.0]),
    covariance=np.eye(3)
)

注意：该方法依赖Python 3.9+的__orig_class__属性（PEP 673），更早版本需额外处理类型注解解析。

方案选择建议 #

• 追求简单直接：选方案1，适合小型项目；
• 追求强校验与自动化：选方案2，适合需要严格类型检查的项目；
• 无依赖且自动化：选方案3，但实现和维护成本较高。

内容的提问来源于stack exchange，提问作者Simone Bondi