当前位置:首页 > 文章列表 > 文章 > python教程 > Python inspect.BoundArguments.apply_defaults 怎样给已绑定参数补上默认值

Python inspect.BoundArguments.apply_defaults 怎样给已绑定参数补上默认值

来源:17golang原创 2026-11-18 11:26:26 0浏览 收藏

对 Signature.bind() 或 bind_partial() 得到的 BoundArguments 对象调用 apply_defaults(),即可为缺失的有默认值参数补值。省略的可变位置参数补为空元组,可变关键字参数补为空字典。它修改当前对象,不返回新的绑定对象。

这个方法适合调用包装器:调用方可以继续省略可选参数,而包装器能读取较完整的参数映射。接口设计时应另外保留显式输入记录,以免补齐后丢失“调用方到底传了哪些参数”的信息。

Python官方文档地址:https://docs.python.org/3/library/inspect.html#inspect.BoundArguments.apply_defaults

先绑定调用参数,再补齐默认值

以下示例先读取函数签名,再绑定一次调用。代码为本篇原创演示,未在文章制作过程中执行;打印语句用于读者自行观察,不附实测结果。

import inspect


def export_bundle(bundle, limit=12, *labels, compact=True, **options):
    # 返回结构便于观察参数,不执行外部读写。
    return bundle, limit, labels, compact, options


signature = inspect.signature(export_bundle)
try:
    # 只显式传入业务必填参数和关键字参数。
    bound = signature.bind("weekly", compact=False)
except TypeError as error:
    raise ValueError(f"调用参数不匹配: {error}") from error

# 快照用于保留哪些参数由调用方提供;这里是浅拷贝。
provided = dict(bound.arguments)
bound.apply_defaults()  # 修改bound,不要把返回值重新赋给bound。

print("显式参数:", provided)
print("完整参数:", bound.arguments)
# args和kwargs按签名重建位置参数及关键字参数。
result = export_bundle(*bound.args, **bound.kwargs)
print("函数返回:", result)

按示例语义,bundle与compact是显式输入,limit会补为12,labels补为 (),options补为 {}。若绑定本身因参数不匹配而失败,程序应先处理异常,不会进入补值阶段。

函数签名默认值与绑定参数映射的静态结构说明图
图1:静态结构说明图,签名参数提供默认值,BoundArguments持有参数映射;连线表示关联,不表示执行顺序。

区分默认值与显式传入的值

补齐针对缺失项,已经绑定的值会保留。因此示例中的compact仍为False,不会被默认True覆盖。显式传入None、0或空字符串,也不能因为值看起来为空就按“没有传入”处理。

参数状态补齐后的处理
已绑定的参数保留当前值
缺失且声明默认值使用签名中的默认值
省略的*labels补空元组
省略的**options补空字典
缺少且没有默认值的必填参数不会凭空生成值

若日志需要区分输入来源,应像示例那样在补齐前记录provided。浅拷贝只分离映射外壳,不是深度复制参数对象。CPython实现直接使用签名中的默认值,不能把apply_defaults理解为给每次调用复制一套独立可变对象。参见官方BoundArguments实现。

使用args和kwargs转发调用

bound.arguments 是按参数名组织的映射;需要执行调用时,采用 target(*bound.args, **bound.kwargs)。这两个属性从映射动态计算,能够把可变位置参数展开到位置参数中,把可变关键字参数展开到关键字参数中。

BoundArguments映射与args kwargs及目标函数的静态关系
图2:静态关系说明图,args和kwargs由绑定映射形成,供目标函数调用使用,不是运行截图。

不要把arguments整体直接当成 **kwargs 传给目标函数,否则可变参数字段的容器结构与实际调用结构可能不一致。官方BoundArguments文档说明了映射、args和kwargs之间的关系。

不要把部分绑定当成完整调用

bind_partial() 允许暂时缺少必填参数,适合分阶段收集输入。apply_defaults只补能够确定的默认值,不替必填参数编造值,也不会把部分绑定自动变成完整调用。

因此,包装器若要立刻调用函数,优先从bind取得完整匹配的绑定;若业务确实分阶段收集,应在后续输入齐备后重新按签名绑定。绑定检查只处理调用形式,不等于参数类型或业务规则检查。

为什么写成bound = bound.apply_defaults()会出问题?

这个方法修改已有对象,返回None。重新赋值会丢掉原来的BoundArguments引用,后续无法继续访问arguments。

补齐后还能看出调用方省略了哪些参数吗?

不能仅靠补齐后的映射完整还原。应在修改前记录显式绑定项,或另外维护来源信息。

只做调用转发,一定要先补齐吗?

不一定。正常函数调用本身会使用默认参数;需要完整映射做展示、记录或统一处理时,显式补齐才有直接价值。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Go encoding/gob.Encoder.EncodeValue 怎样通过 reflect.Value 编码对象Go encoding/gob.Encoder.EncodeValue 怎样通过 reflect.Value 编码对象
上一篇
Go encoding/gob.Encoder.EncodeValue 怎样通过 reflect.Value 编码对象
Java MethodHandles.zero 怎样生成返回指定类型零值的方法句柄
下一篇
Java MethodHandles.zero 怎样生成返回指定类型零值的方法句柄
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    1093次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    1089次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    1253次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    1197次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    1042次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码