我目前正在尝试使用 pydantic 验证函数的输入参数。这适用于内置数据类型,但不适用于 pandas.DataFrame 或 numpy.array 等类型。 示例:
@validate_arguments
def some_function(params: pd.DataFrame,
var_name: str
) -> dict:
# do something
return my_dict
调用 some_function 时显示以下错误:
RuntimeError: no validator found for <class 'pandas.core.frame.DataFrame'>, see `arbitrary_types_allowed` in Config`
我的第一个想法是用这样的东西定义我自己的 DataFrame 类型:
class MyDF(pd.DataFrame):
@classmethod
def __get_validators__(cls):
yield cls.validate
@classmethod
def validate(cls, val):
return pd.DataFrame(val)
我不确定这是否是最佳做法。有没有人有更好的想法?
最佳答案
你可以定义一个custom config允许任意类型,以便 pydantic 检查参数是该类型的实例。
例如:
@validate_arguments(config=dict(arbitrary_types_allowed=True))
def some_function(params: pd.DataFrame,
var_name: str
) -> dict:
# do something
return my_dict
模型配置选项的文档可用 here
关于python - pydantic @validate_arguments 非内置类型(如 pandas DataFrame)的最佳实践,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/68349150/