如何用Python和NLP根据函数名推导其返回类型

核心实现逻辑 #

蛇形命名的函数名通常遵循固定的语义排布规则，你可以通过规则匹配+关键词库的方式快速实现需求，准确率足以覆盖绝大多数常规场景：

• 提前预设常用的返回类型关键词集合，支持自定义扩展业务专属类型
• 按命名习惯设置匹配优先级：
  1. 优先匹配return/get等动作词之后的第一个单词，这类位置出现类型词的概率最高
  2. 未匹配到则从后往前遍历单词列表，匹配xxx_类型这类后缀命名的场景

示例代码 #

# 通用返回类型集合，可根据自身业务场景自由扩展
COMMON_RETURN_TYPES = {"list", "dict", "str", "int", "float", "bool", "tuple", "set", "dataframe", "ndarray", "json"}

def infer_return_type(words_list: list) -> str | None:
    # 优先级1：匹配动作词后的第一个类型词
    action_words = {"return", "get", "fetch", "query", "load", "read"}
    for idx, word in enumerate(words_list):
        if word in action_words and idx + 1 < len(words_list):
            next_word = words_list[idx + 1]
            if next_word in COMMON_RETURN_TYPES:
                return next_word
    # 优先级2：匹配末尾的类型词，适配xxx_list这类后缀命名
    for word in reversed(words_list):
        if word in COMMON_RETURN_TYPES:
            return word
    # 无匹配时返回None，也可根据需求返回默认值
    return None

# 测试示例
print(infer_return_type(["return", "list", "of", "apples"]))  # 输出：list
print(infer_return_type(["return", "apples", "list"]))  # 输出：list

复杂场景适配 #

如果你的函数名命名规范不统一，规则匹配准确率不够，可以引入轻量NLP能力优化：

• 用nltk的词性标注过滤掉介词、动词等非名词词汇，缩小类型关键词的匹配范围
• 如果你有大量标注好的<函数名, 返回类型>样本，可以用scikit-learn训练轻量文本分类模型，TF-IDF特征加朴素贝叶斯分类器在小样本下就能获得不错的准确率

目前没有专门针对这个场景的成熟第三方模块，因为该需求高度依赖具体团队的命名规范，通用性较低。你可以基于上述规则方案自定义扩展，成本很低，灵活度也更高。

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