Python @复杂策略中的复合图与平面图

假设允许两种不同的方式来定义衍生策略，

@composite

和

flatmap

。据我所知，前者能做后者能做的任何事情。然而，numpy

阵列

策略的核心是一些隐藏的成本

#为了方便起见，我们支持将策略作为参数传递，或者至少
#出于遗留原因，但不想支付复合材料的性能成本
#策略（即重复的论点处理和验证），如果不是
#需要。因此，我们通过使用flatmap进行递归来获得这两个方面的最佳效果，
#但只有在真正需要的时候。

---

我认为这意味着更糟糕的收缩行为，但我不确定，而且我在其他地方也找不到记录。那么，我应该在什么时候使用

@composite

，什么时候使用

flatmap

，以及什么时候应该像上面链接的实现那样走这条中间路线？

@composite

和

。flatmap

确实是完全等效的——你可以对其中一个做任何事情，你也可以对另一个做任何事情，它也将具有相同的性能

实际上，我写了这篇评论，原因是我们只是有时候想使用平面图/合成图，但总是想仔细验证我们的逻辑。按照我的设置方式，通过使用

.flatmap

，我们可以避免多次调用验证器-如果我们想使用

@composite

，这将需要第二个函数定义

---

（还有一个API风格的问题，即这些参数几乎总是值，但有时可能是策略。我们现在主要基于

arrays（）

造成的混乱来禁止此类API，以支持让用户编写自己的

。flatmap

s）

是有意义的。你能解释一下“验证器”是什么意思吗？在文档中搜索

validator

，只会产生两次点击，这两次点击都不能真正解释任何事情。不将策略作为参数，而是将其作为

.flatmap

所有参数，这是公认的最佳实践吗？在内部，我们检查所有参数是否都是允许的类型-但很明显，一旦验证程序通过一次，我们就不必为每个示例再次运行它。最佳实践是，任何特定的参数都可以接受值xor策略。例如，在

st.datetimes（）

中，

min\u值必须始终是datetime（决不是策略），
时区必须始终是
tzinfo
对象（决不是这样的对象）的策略。根据频率和比较
st.just（…）
vs
x.flatmap（…）
的不便程度来决定使用哪一种。