Python 通过函数调用链传递参数

Question

在链函数调用中传递参数的pythonic方法是什么？假设我有以下功能：

 def get_remainder(timeseries,freq, model='additive', item='residue'):

      if item == 'residue':
          return decompose(timeseries, freq=freq, model=model).residue
      elif item == 'trend':
          return decompose(timeseries, freq=freq, model=model).trend

对于这个问题，decompose 函数存在并且并不重要。它将 multiplicative 或 additive 作为模型作为字符串。如您所见，get_remainder 返回残差或趋势。所以总而言之，我们在这里有四个选择。我们可以

• model='additive', item='trend'
• model='additive', item='residue'
• model='multiplicative' 等。

问题是get_remainder 是链中的最后一个调用：

def func1(data, params):
    # does something to data, maybe shape is different, maybe some elements deleted etc. 
    return func2(data, params)

def func2(data, params):
    # does something to data 
    return func3(data, params)

def func3(data, params):
    # does something to data 
    remainder = get_remainder(timeseries,freq, model=params['model'], item=params['residue']):
    # does something to remainder. 
    returns remainder <> data 

其中<> 表示某种涉及余数和数据的操作。我希望能够从第一个函数func1 中获取所有四种类型，所以我一直在params 参数中传递model 和item。

但这对我来说似乎很奇怪/不符合pythonic。中间函数都没有直接使用model 和item（尽管params 可能包含其他参数），它们只是携带它，所以最后一个函数可以使用它。

有什么更好的方法来做到这一点？

Answer 1

您正在寻找**kwargs（关键字参数）语法。现在您可以使用任意数量的关键字参数调用func1，这些参数将被收集到一个名为params 的字典中。当你调用另一个函数时，你可以使用字典解包语法**params解包params。所以func2(data, **{"model": "additive"}) 与func2(data, model="additive") 相同。

如果函数签名中包含关键字参数，它将不会作为**params 的一部分被收集。对于函数def f(a=1, **kwargs)，调用f(**{"a": 2}) 将使kwargs 留空。

def func1(data, **params):
    # does something to data, maybe shape is different, maybe some elements deleted etc. 
    return func2(data, **params)

def func2(data, **params):
    # does something to data 
    return func3(data, **params)

def func3(data, **params):
    # does something to data 
    remainder = get_remainder(timeseries,freq, **params)

def get_remainder(timeseries,freq, model='additive', item='residue'):
    if item == 'residue':
        return decompose(timeseries, freq=freq, model=model).residue
    elif item == 'trend':
        return decompose(timeseries, freq=freq, model=model).trend