Python 如何重构重复代码

我有两个只在一行中不同的函数，所以为了避免代码重复，我想用这些函数的一般形式创建一个基类，然后为每个类继承它

职能1：

def top_similar_traces(self, stack_trace, top=10):
        words_to_test = StackTraceProcessor.preprocess(stack_trace)
        words_to_test_clean = [w for w in np.unique(words_to_test).tolist() if w in model]

        # Cos-similarity
        all_distances = np.array(1.0 - np.dot(model.wv.syn0norm, model.wv.syn0norm[
            [model.wv.vocab[word].index for word in words_to_test_clean]].transpose()), dtype=np.double)

        for i, (doc_id, rwmd_distance) in enumerate(distances):

            doc_words_clean = [w for w in self.corpus[doc_id] if w in model]
            wmd = self.wmdistance(model, words_to_test_clean, doc_words_clean, all_distances)

        return sorted(similarities, key=lambda v: v[1])[:top]

职能2：

def top_similar_traces(self, stack_trace, top=10):
        words_to_test = StackTraceProcessor.preprocess(stack_trace)
        words_to_test_clean = [w for w in np.unique(words_to_test).tolist() if w in model]

        # Cos-similarity
        all_distances = np.array(1.0 - np.dot(model.wv.syn0norm, model.wv.syn0norm[
            [model.wv.vocab[word].index for word in words_to_test_clean]].transpose()), dtype=np.double)

        for i, (doc_id, rwmd_distance) in enumerate(distances):

            doc_words_clean = [w for w in self.corpus[doc_id].words if w in model]
            wmd = self.wmdistance(model, words_to_test_clean, doc_words_clean, all_distances)

        return sorted(similarities, key=lambda v: v[1])[:top]

你可以看到唯一的区别是

        doc_words_clean = [w for w in self.corpus[doc_id].words if w in model]
        doc_words_clean = [w for w in self.corpus[doc_id] if w in model]

---

您可以在超类中定义函数，如：

def top_similar_traces(self, stack_trace, t, top=10):
    words_to_test = StackTraceProcessor.preprocess(stack_trace)
    words_to_test_clean = [w for w in np.unique(words_to_test).tolist() if w in model]

    # Cos-similarity
    all_distances = np.array(1.0 - np.dot(model.wv.syn0norm, model.wv.syn0norm[
        [model.wv.vocab[word].index for word in words_to_test_clean]].transpose()), dtype=np.double)

    for i, (doc_id, rwmd_distance) in enumerate(distances):

        if t=="something":
            doc_words_clean = [w for w in self.corpus[doc_id] if w in model]
        else:
            doc_words_clean = [w for w in self.corpus[doc_id].words if w in model]
        wmd = self.wmdistance(model, words_to_test_clean, doc_words_clean, all_distances)

    return sorted(similarities, key=lambda v: v[1])[:top]

其中，

t

是一个字符串，用于做出您想要的决定，然后您应该从子类调用此方法，如：

def top_similar_traces(self, stack_trace, top=10):
    return super().top_similar_traces(stack_trace, "option", top)

---

这样的解决方案应该是可行的

t

可以是任何类型的变量（整数、字符串等）

只需将变化部分提取到单独的方法中即可。这样，基类就可以覆盖该部分并影响原始方法，而不必复制整个代码

大概是这样的：

# Base class
def top_similar_traces(self, stack_trace, top=10):
    words_to_test = StackTraceProcessor.preprocess(stack_trace)
    words_to_test_clean = [w for w in np.unique(words_to_test).tolist() if w in model]

    # Cos-similarity
    all_distances = np.array(1.0 - np.dot(model.wv.syn0norm, model.wv.syn0norm[
        [model.wv.vocab[word].index for word in words_to_test_clean]].transpose()), dtype=np.double)

    for i, (doc_id, rwmd_distance) in enumerate(distances):
        # call another method here
        doc_words_clean = self.top_similar_traces_filter_words(doc_id)
        wmd = self.wmdistance(model, words_to_test_clean, doc_words_clean, all_distances)

    return sorted(similarities, key=lambda v: v[1])[:top]

# Subclass A
def top_similar_traces_filter_words(self, doc_id):
    return [w for w in self.corpus[doc_id].words if w in model]

# Subclass B
def top_similar_traces_filter_words(self, doc_id):
    return [w for w in self.corpus[doc_id] if w in model]

顺便说一句，我不知道你的

模型

来自哪里，但它似乎是一个全局变量。您可能应该避免这种情况，而是将其放在类中（或传入）。

您提到“……我想创建一个具有这些函数的一般形式的基类，然后为每个类继承它。”

我想指出的是，没有必要为此创建一个类。使用一个函数就可以了。在下面的示例中，我添加了第四个参数

words

，并将该值设置为

True

。如果将其保留为

True

，则函数将使用检查

self.corpus[doc\u id].words的行。如果使用
False
调用函数，它将使用检查
self.corpus[doc\u id]
的行

def top_similar_traces(self, stack_trace, top=10, words=True):
    words_to_test = StackTraceProcessor.preprocess(stack_trace)
    words_to_test_clean = [w for w in np.unique(words_to_test).tolist() if w in model]

    # Cos-similarity
    all_distances = np.array(1.0 - np.dot(model.wv.syn0norm, model.wv.syn0norm[[model.wv.vocab[word].index for word in words_to_test_clean]].transpose()), dtype=np.double)

    for i, (doc_id, rwmd_distance) in enumerate(distances):
        if words == True:
            doc_words_clean = [w for w in self.corpus[doc_id].words if w in model]
        else:
            doc_words_clean = [w for w in self.corpus[doc_id] if w in model]
        wmd = self.wmdistance(model, words_to_test_clean, doc_words_clean, all_distances)

     return sorted(similarities, key=lambda v: v[1])[:top]

要使用该函数检查self.corpus[doc_id].words，请按以下方式调用：

top_similar_traces(<stack_trace>)

top_similar_traces(<stack_trace>, words=False)

top\u类似的跟踪（）

要使用该函数检查self.corpus[doc_id]，请这样调用它：

top_similar_traces(<stack_trace>)

top_similar_traces(<stack_trace>, words=False)

top\u类似跟踪（，words=False）
请不要包含指向外部站点的链接，而是将所有相关代码作为问题的一部分发布。有点难看的解决方案：您可以创建两个生成列表的函数，并将它们传递到函数参数中。当然，他们必须将self.corpus[doc\u id]

作为输入并返回列表。