Python进阶：如何通过组合模式实现高性能Vector类？

🔍 设计动机：为何抛弃继承选择组合？

在实现多维向量类Vector时，我们刻意采用组合模式而非继承，核心优势在于：

• 高扩展性：通过array数组存储分量，天然支持高维向量
• 低耦合：避免继承链带来的隐式依赖
• 序列协议：更纯粹地实现不可变扁平序列的特性

⚙️ 核心实现解析

构造方法设计

def __init__(self, components):self._components = array(self.typecode,  components)

• 参数策略：接受任意可迭代对象（列表/元组/生成器等）
• 兼容取舍：放弃与Vector2d构造参数兼容，但遵循内置序列规范

智能表示优化

def __repr__(self):components = reprlib.repr(self._components)[6:-1] return f'Vector({components})'

• reprlib黑科技：自动截断超长元素（默认阈值6个）
• 输出示例：Vector([0.0, 1.0, 2.0, 3.0, 4.0, …])

序列协议实现

方法	实现要点	技术亮点
iter	返回数组迭代器	支持解包操作*args
bytes	类型码+数组二进制	内存零拷贝优化
frombytes	使用memoryview解析	避免数据复制开销

🛠️ 关键方法实现对比

# 绝对值计算（高维扩展）
def __abs__(self):return math.sqrt(sum(x**2  for x in self))# 与Vector2d的差异 
Vector2d：math.hypot(self.x,  self.y)

🚫 拒绝继承的深层考量

• 构造方法冲突：Vector2d(x, y) vs Vector(iterable)
• 协议专注性：需要更纯粹地实现序列协议方法
• 功能隔离：避免继承带来的非必要方法污染

💡 最佳实践启示

• 防御性编程：__repr__必须保证永不抛出异常
• 内存优化：使用array比list节省50%以上内存
• 类型统一：所有分量强制转换为float类型存储
• 协议优先：通过实现魔术方法支持原生操作

🧪 兼容性测试要点

# 验证与Vector2d的兼容性
assert Vector([3,4]) == Vector2d(3,4)
assert bytes(Vector([1,2])) == bytes(Vector2d(1,2))

📚 扩展思考

• 如何支持切片操作？
• 怎样实现向量间的数学运算？
• 能否与numpy数组无缝交互？