类内使用inference-schema装饰器报list index out of range错误

我正在使用inference-schema包，将API调用传入的数据转换为格式正确的Pandas DataFrame。
当Run方法定义在类外部时，@input_schema装饰器运行完全正常；但我将逻辑完全一致的Run方法移入自定义类中后，调用方法时就会抛出list index out of range错误。
复现代码如下：

from numpy.core.numeric import NaN
import pandas as pd
from inference_schema.schema_decorators import input_schema
from inference_schema.parameter_types.pandas_parameter_type import PandasParameterType

def get_schema():
    return pd.DataFrame({"Test": [ 0.0, NaN]})

@input_schema('df', PandasParameterType(get_schema()))
def Run(df):
    return df['Test']*2

class Score:
    @input_schema('df', PandasParameterType(get_schema()))
    def Run(self, df):
        return df['Test']*2

score = Score()

df = [{"Test": 21.0}]

result = Run(df) # 类外定义的Run方法可正常运行
print(result)

result = score.Run(df) # 类内逻辑完全一致的Run方法报错：'list index out of range'
print(result)

需要实现预期的参数转换效果，可接受基于inference-schema的原生解决方案，也可推荐其他适用的Python工具包。

@input_schema装饰器默认按普通函数的参数位置解析入参：普通函数Run(df)的第0位位置参数就是待转换的df，装饰器可正常读取入参完成格式转换；但类实例方法的第0位位置参数固定为代表实例本身的self，装饰器未做实例方法参数适配，仍将第0位参数识别为待转换的目标数据，实际拿到的是类实例对象，后续按DataFrame规则读取列时就会触发索引越界错误。

方案1：基于inference-schema原生适配（无需更换依赖） #

核心思路是避开装饰器直接修饰带self参数的实例方法，两种简单实现：

• 抽离独立转换函数：将加了装饰器的转换逻辑抽为类外的独立函数，类的实例方法内部直接调用该包装后的函数即可

# 定义核心处理逻辑
def _run_logic(df):
    return df['Test']*2

# 给逻辑加上schema转换装饰器
wrapped_run = input_schema('df', PandasParameterType(get_schema()))(_run_logic)

class Score:
    def Run(self, df):
        return wrapped_run(df)

• 使用静态方法包装：在类内用@staticmethod修饰被装饰的方法，静态方法无默认self参数，装饰器可正常识别，实例方法内部调用静态方法即可

class Score:
    @staticmethod
    @input_schema('df', PandasParameterType(get_schema()))
    def _wrapped_run(df):
        return df['Test']*2
    
    def Run(self, df):
        return self._wrapped_run(df)

方案2：更换适配性更好的工具 #

如果没有强制依赖inference-schema的要求（比如特定云平台部署的schema生成要求），可以换用对类方法支持更好、维护更活跃的数据校验转换工具：

• pydantic：通用Python数据校验工具，支持自动类型转换，和Pandas适配简单，普通函数、类方法、静态方法都可直接使用，无需额外处理参数位置问题
• pandera：专门面向Pandas生态的schema定义、校验、转换工具，原生支持类方法装饰器写法，可直接定义DataFrame的列类型、空值规则、取值范围，灵活性比inference-schema更高

内容的提问来源于stack exchange，提问作者Abra