如何用Python设计模式优化多参数平滑函数的配置化调用实现

当然有更优雅且可扩展的实现方式！你当前的代码依赖条件分支来匹配平滑方法，当后续需要新增更多平滑算法时，这种写法会变得越来越臃肿，维护成本也会上升。下面分享两种常用的优化思路：

1. 使用函数映射字典（最推荐） #

核心思路是把方法名称和对应的实现函数绑定到一个字典中，直接通过键值对的方式调用函数，彻底摆脱冗长的if-elif分支。这种方式不仅代码更简洁，新增方法时只需要在字典里添加条目即可，完全不需要修改核心逻辑。

示例代码：

def boxcar(dataDf, selected_columns, winsize):
    # 你的boxcar实现逻辑
    pass

def gaussian(dataDf, selected_columns, winsize, variance):
    # 你的gaussian实现逻辑
    pass

# 定义方法映射字典
SMOOTHING_METHODS = {
    'boxcar': boxcar,
    'gaussian': gaussian
}

def smoothing(dataDf, selected_columns, kwargs):
    method = kwargs['method']
    # 从映射字典中获取对应的函数，不存在则抛出异常
    try:
        method_func = SMOOTHING_METHODS[method]
    except KeyError:
        raise NotImplementedError(f"平滑方法 {method} 未实现")
    
    # 解包参数并调用函数（假设kwargs['arguments']是对应方法的参数字典）
    method_func(dataDf, selected_columns, **kwargs['arguments'])

额外优化：参数验证 #

可以在调用前先检查必要参数是否存在，避免运行时抛出KeyError：

# 为每个方法定义必填参数
REQUIRED_ARGS = {
    'boxcar': ['winsize'],
    'gaussian': ['winsize', 'variance']
}

def smoothing(dataDf, selected_columns, kwargs):
    method = kwargs['method']
    arguments = kwargs['arguments']
    
    # 检查方法是否存在
    if method not in SMOOTHING_METHODS:
        raise NotImplementedError(f"平滑方法 {method} 未实现")
    
    # 检查必填参数
    missing_args = [arg for arg in REQUIRED_ARGS[method] if arg not in arguments]
    if missing_args:
        raise ValueError(f"方法 {method} 缺少必填参数: {', '.join(missing_args)}")
    
    # 调用函数
    SMOOTHING_METHODS[method](dataDf, selected_columns, **arguments)

2. 使用类与多态（适合复杂场景） #

如果你的平滑方法需要维护状态、共享通用逻辑，或者后续会有更复杂的扩展需求，使用类和多态会是更好的选择。

示例代码：

from abc import ABC, abstractmethod

class BaseSmoother(ABC):
    @abstractmethod
    def smooth(self, dataDf, selected_columns):
        pass

class BoxcarSmoother(BaseSmoother):
    def __init__(self, winsize):
        self.winsize = winsize
    
    def smooth(self, dataDf, selected_columns):
        # boxcar平滑逻辑
        pass

class GaussianSmoother(BaseSmoother):
    def __init__(self, winsize, variance):
        self.winsize = winsize
        self.variance = variance
    
    def smooth(self, dataDf, selected_columns):
        # gaussian平滑逻辑
        pass

# 类映射字典
SMOOTHER_CLASSES = {
    'boxcar': BoxcarSmoother,
    'gaussian': GaussianSmoother
}

def smoothing(dataDf, selected_columns, kwargs):
    method = kwargs['method']
    arguments = kwargs['arguments']
    
    if method not in SMOOTHER_CLASSES:
        raise NotImplementedError(f"平滑方法 {method} 未实现")
    
    # 创建平滑器实例并执行平滑
    smoother = SMOOTHER_CLASSES[method](**arguments)
    smoother.smooth(dataDf, selected_columns)

这种方式的优势在于可以把每个平滑方法的参数初始化、逻辑实现封装在各自的类中，代码结构更清晰，也便于单独测试每个平滑器。

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