如何检测Python代码中`list(np.ndarray)`的调用场景？

要精准识别代码里list()传入numpy数组的场景，用Python的ast库做语法分析是最优方案，以下是具体实现：

核心实现代码 #

import ast
from typing import Set

class NumpyListCallDetector(ast.NodeVisitor):
    def __init__(self):
        # 存储已识别的numpy数组变量名
        self.numpy_arr_vars: Set[str] = set()
        # 标记是否存在目标调用
        self.has_list_on_arr = False

    def visit_Assign(self, node: ast.Assign) -> None:
        # 遍历赋值语句，识别numpy数组变量
        for target in node.targets:
            if isinstance(target, ast.Name):
                value = node.value
                # 判断赋值右侧是否是numpy的数组创建调用
                if isinstance(value, ast.Call) and isinstance(value.func, ast.Attribute):
                    # 匹配np.array、np.asarray等常见数组创建方法
                    if value.func.value.id == 'np' and value.func.attr in {'array', 'asarray', 'zeros', 'ones', 'arange', 'linspace'}:
                        self.numpy_arr_vars.add(target.id)
        self.generic_visit(node)

    def visit_Call(self, node: ast.Call) -> None:
        # 判断是否是调用list()
        if isinstance(node.func, ast.Name) and node.func.id == 'list':
            # 检查传入的参数是否是已识别的numpy数组变量
            if node.args:
                arg = node.args[0]
                if isinstance(arg, ast.Name) and arg.id in self.numpy_arr_vars:
                    self.has_list_on_arr = True
        self.generic_visit(node)

def is_list_on_arr(code: str) -> bool:
    '''检测代码中是否存在list(numpy数组)的调用'''
    tree = ast.parse(code)
    detector = NumpyListCallDetector()
    detector.visit(tree)
    return detector.has_list_on_arr

if __name__ == "__main__":
    test_code = """
import numpy as np
arr = np.array([1, 2, 3])
lst = list(arr)  # 会被检测到
normal_list = list([4,5,6])  # 不会被检测到
another_arr = np.zeros(5)
list(another_arr)  # 会被检测到
"""
    print(is_list_on_arr(test_code))  # 输出: True

代码说明 #

• NumpyListCallDetector：继承ast.NodeVisitor，通过遍历语法树实现两个核心逻辑：
  1. visit_Assign：识别通过np.array、np.zeros等方法创建的numpy数组变量，存入集合。
  2. visit_Call：检查所有list()调用，判断传入参数是否为已识别的numpy数组变量。
• is_list_on_arr：解析输入代码，调用检测器遍历语法树，返回检测结果。

扩展优化 #

如果需要覆盖更多场景，可以对检测器进行扩展：

• 处理数组别名：比如arr_copy = arr，在visit_Assign中识别变量复制逻辑，将别名加入numpy数组变量集合。
• 处理函数返回的数组：若某函数返回numpy数组，可通过跟踪函数定义或类型注解，将接收返回值的变量标记为数组类型。
• 补充更多numpy创建方法：只需在visit_Assign的判断列表中添加对应的方法名即可。

内容的提问来源于stack exchange，提问作者Galen