示例代码

def calculate_square_root(x):
    """
    计算平方根，要求自变量x为非负数
    """
    if x < 0:
        raise ValueError("自变量必须为非负数")
    return x ** 0.5

# 测试函数
try:
    print(calculate_square_root(9))  # 输出: 3.0
    print(calculate_square_root(-4)) # 引发ValueError
except ValueError as e:
    print(f"错误: {e}")

示例代码

def validate_range(min_val, max_val):
    """验证参数是否在指定范围内的装饰器"""
    def decorator(func):
        def wrapper(x):
            if not (min_val <= x <= max_val):
                raise ValueError(f"自变量必须在 {min_val} 和 {max_val} 之间")
            return func(x)
        return wrapper
    return decorator

@validate_range(1, 100)
def calculate_percentage(x):
    """计算百分比值"""
    return x / 100

# 测试函数
try:
    print(calculate_percentage(50))  # 输出: 0.5
    print(calculate_percentage(150)) # 引发ValueError
except ValueError as e:
    print(f"错误: {e}")

应用场景

• 多个函数需要相同的验证逻辑
• API参数验证
• 需要保持业务函数简洁的情况

示例代码

class TemperatureSensor:
    def __init__(self, temperature):
        self.temperature = temperature  # 使用setter验证
        
    @property
    def temperature(self):
        return self._temperature
        
    @temperature.setter
    def temperature(self, value):
        if not (-50 <= value <= 150):
            raise ValueError("温度必须在 -50°C 到 150°C 之间")
        self._temperature = value

# 测试类
try:
    sensor = TemperatureSensor(25)
    print(f"当前温度: {sensor.temperature}°C")
    
    sensor.temperature = 200  # 引发ValueError
except ValueError as e:
    print(f"错误: {e}")

最佳实践

• 在setter方法中实现验证逻辑
• 使用私有属性存储实际值
• 提供清晰的错误信息
• 在__init__方法中也使用setter

示例代码

from scipy.optimize import minimize

# 定义目标函数
def objective(x):
    return (x[0] - 3)**2 + (x[1] + 2)**2

# 设置约束范围
constraints = (
    {'type': 'ineq', 'fun': lambda x: x[0]},      # x >= 0
    {'type': 'ineq', 'fun': lambda x: 5 - x[0]},  # x <= 5
    {'type': 'ineq', 'fun': lambda x: x[1] + 5},  # y >= -5
    {'type': 'ineq', 'fun': lambda x: 5 - x[1]}   # y <= 5
)

# 初始猜测
initial_guess = [0, 0]

# 求解
result = minimize(objective, initial_guess, constraints=constraints)

print(f"优化结果: x={result.x[0]:.2f}, y={result.x[1]:.2f}")
print(f"目标函数值: {result.fun:.2f}")

使用场景

• 数值优化问题
• 科学计算
• 有复杂约束条件的问题
• 机器学习模型参数调优

选择建议

• 简单脚本：使用函数内部检查
• 多个函数：使用装饰器统一验证
• 面向对象：使用类属性设置器
• 科学计算：使用专业数学库