我使用python的次数越多，我就越想用pythonic方式来做，即尽量避免isinstance查询等。我正在开发一个用于数值模拟的科学参数探索的框架。
我使用两个严格的约束：首先，我需要能够重复我第一次运行的方式存储到磁盘的特定模拟。其次，数据应该是hdf5 / pytables格式的可读和可读。
这两个概念都有点对立。一旦我将东西作为pytables数据存储，一些信息就会丢失。例如，在重新加载python之后，int变为numpy.int64。如果你想重新运行数值模拟，这可能会有问题，因为有些情况下，变量与int的乘法工作正常但在与numpy.int64一起使用时会中断。例如，如果您使用尖峰神经网络模拟器BRIAN，就是这种情况。
所以一个直截了当的答案就是简单地腌制所有东西，然后像往常一样把它取回来。然而，这对于可读的hdf5数组或表数据的想法并不适用。
所以我想到的是将原始数据格式作为hdf5属性存储到相应的表或数组中，并使用此信息重建原始数据。首先，这是一个好主意，其次，最蟒蛇的方式是什么？
例如，这个怎么样：
original_class_name = data.__class__.__name__
# do the storage of data and the original_class_name
{...}
# load the hdf5data and reconstruct it
reconstructed_data = eval(original_class_name+'(hdf5data)')
对我而言，这似乎太过于苛刻。