如何正确检查变量是否为npt.ArrayLike类型实例

npt.ArrayLike是numpy面向静态类型检查工具（mypy、pyright等）提供的泛型类型别名，本身不是实际存在的Python类，无法直接传入isinstance()做运行时类型校验，直接使用就会抛出Subscripted generics cannot be used with class and instance checks错误。
另外原代码还有一个隐蔽bug：抛出ValueError时没有加raise关键字，就算校验逻辑命中，异常也不会实际触发。

要实现和bool、str、pd.DataFrame等常规类型一致的运行时校验逻辑，直接定义ArrayLike覆盖的合法类型元组，再传入isinstance()判断即可，同时保留原有的npt.ArrayLike类型注解供静态检查使用。

硬类型校验实现（和常规类型校验逻辑完全一致） #

from typing import Optional
import numpy as np
import numpy.typing as npt
import pandas as pd

# 定义运行时可校验的ArrayLike类型集合，可根据业务需求增减类型
ARRAY_LIKE_TYPES = (
    type(None),
    int, float, bool, complex,
    np.generic,
    list, tuple, range,
    np.ndarray,
    pd.Series, pd.DataFrame
)

def func(data: Optional[npt.ArrayLike] = None) -> None:
    if not isinstance(data, ARRAY_LIKE_TYPES):
        raise ValueError(f"Keyword argument 'data' should be ArrayLike: got {type(data)}")
    
    # 业务逻辑代码
    return None

更灵活的鸭子类型实现 #

如果不想硬编码第三方库的类型，想要兼容所有实现了numpy数组转换协议的对象，可以用特征判断代替硬类型校验：

from typing import Optional
import numpy as np
import numpy.typing as npt

def is_array_like(obj) -> bool:
    if obj is None:
        return True
    # 判定规则：是内置标量/序列，或实现了numpy数组转换协议
    return (
        isinstance(obj, (int, float, bool, complex, list, tuple, range, np.generic))
        or hasattr(obj, "__array__")
    )

def func(data: Optional[npt.ArrayLike] = None) -> None:
    if not is_array_like(data):
        raise ValueError(f"Keyword argument 'data' should be ArrayLike: got {type(data)}")
    
    # 业务逻辑代码
    return None

这种写法会自动兼容所有符合numpy数组转换规范的自定义对象、pandas/xarray等第三方库的类数组结构，不需要手动维护类型列表。

内容的提问来源于stack exchange，提问作者user1494932