如何让Python类__init__阶段触发装饰器完成输入验证？

直接给你几个实用的解决思路，都是开发者常用的方案：

方案一：__init__里调用带装饰器的setter（最直接） #

问题根源在于你直接给私有属性self._sample_size赋值，完全绕开了带验证装饰器的setter方法。解决起来很简单——别直接碰私有属性，而是通过公开的属性名赋值，让代码走setter的逻辑：

class RandomSampler:
    def __init__(self, sample_size, data_frame, str_list):
        # 不要直接赋值私有属性，改用公开属性触发setter
        self.sample_size = sample_size
        self.data_frame = data_frame
        self.str_list = str_list

    @property
    def sample_size(self):
        return self._sample_size

    @sample_size.setter
    @ValidationDecorators.validate_01_float
    def sample_size(self, value):
        self._sample_size = value

    # 其他属性的@property和带装饰器的setter同理

这样初始化时，所有参数都会经过对应装饰器的验证，和后续通过setter赋值的逻辑完全一致。

方案二：抽离验证逻辑，__init__和装饰器共用 #

如果不想在__init__里调用setter（比如担心setter里有额外逻辑），可以把验证逻辑单独抽成函数，让装饰器和__init__都调用它，保证校验规则统一：

# 抽离独立的验证函数
def validate_01_float(value):
    if not isinstance(value, float) or not (0 <= value <= 1):
        raise ValueError("sample_size必须是0-1区间的浮点数")

def validate_dataframe(value):
    # 你的DataFrame校验逻辑
    pass

# 装饰器复用这些验证函数
class ValidationDecorators:
    @staticmethod
    def validate_01_float(func):
        def wrapper(self, value):
            validate_01_float(value)
            return func(self, value)
        return wrapper

    # 其他装饰器同理

class RandomSampler:
    def __init__(self, sample_size, data_frame, str_list):
        # 初始化前先手动调用验证函数
        validate_01_float(sample_size)
        validate_dataframe(data_frame)
        # 其他参数验证...
        
        # 验证通过后再赋值私有属性
        self._sample_size = sample_size
        self._data_frame = data_frame
        self._str_list = str_list

    @property
    def sample_size(self):
        return self._sample_size

    @sample_size.setter
    @ValidationDecorators.validate_01_float
    def sample_size(self, value):
        self._sample_size = value

这种方式的好处是验证逻辑只写一次，避免重复代码，而且__init__里的流程更清晰。

方案三：用数据类/模型类自动验证（适合复杂场景） #

如果你的类属性很多，验证规则复杂，可以用Python内置的dataclasses配合第三方库（比如pydantic），初始化时自动触发验证：

from pydantic import BaseModel, Field
import pandas as pd

class RandomSampler(BaseModel):
    sample_size: float = Field(ge=0, le=1)
    data_frame: pd.DataFrame  # 自动校验类型
    str_list: list[str]       # 自动校验是字符串列表

# 初始化时自动验证，不合法参数直接报错
sampler = RandomSampler(sample_size=100, data_frame=..., str_list=...)

这种方案不需要自己写装饰器和setter，pydantic会帮你处理所有验证逻辑，适合属性多、规则复杂的场景。

内容的提问来源于stack exchange，提问作者Drew