AttributeError: 'super' object has no attribute '__getattr__'

AttributeError: 'super' object has no attribute '__getattr__'是一个错误提示，表示在使用super()函数时，父类对象没有__getattr__属性。

super()函数用于调用父类的方法，它返回一个临时对象，该对象绑定了父类的方法。当我们使用super()调用父类方法时，如果父类没有该方法，就会抛出AttributeError异常。

在这个错误提示中，说明在使用super()调用父类方法时，父类对象没有定义__getattr__属性。__getattr__是一个特殊方法，用于处理对象的属性访问。如果一个对象没有某个属性时，Python会调用该对象的__getattr__方法来处理。

可能的原因是在父类中没有定义__getattr__方法，或者在调用super()时传入了错误的参数。

相关问题

AttributeError: 'super' object has no attribute '__sklearn_tags__'

### 解决 `AttributeError` 错误

当遇到 `AttributeError: 'super' 对象没有属性 '__sklearn_tags__'` 这样的错误时，这通常意味着在某个类中尝试通过 `super()` 访问一个名为 `__sklearn_tags__` 的属性或方法失败了。这种问题可能源于不正确地使用超类初始化或是试图访问未定义的方法/属性。

对于特定于 scikit-learn 库的情况，如果自定义估计器(estimator) 或者转换器(transformer)，应该确保遵循 sklearn 接口约定并适当地实现必要的抽象基类(ABCs)[^1]。具体来说：

- 如果是从 `BaseEstimator` 继承，则需注意该类本身并没有提供 `__sklearn_tags__` 方法；相反，它依赖于 `_more_tags` 和其他内部机制来处理标签(tagging)。

为了修复此错误，可以采取以下措施之一：

#### 方案一：检查是否正确实现了接口
确认所创建的类确实继承自合适的 ABC 并且实现了所有必需的方法。例如，如果你正在构建一个新的分类器(classifier), 那么应当从 `ClassifierMixin`, `BaseEstimator` 中派生，并覆盖 fit, predict 等基本操作。

from sklearn.base import BaseEstimator, ClassifierMixin

class MyCustomClassifier(BaseEstimator, ClassifierMixin):
    def __init__(self):
        pass
    
    def fit(self, X, y=None):
        # 实现fit逻辑...
        return self
        
    def predict(self, X):
        # 实现predict逻辑...
        pass

#### 方案二：避免不必要的 super 调用
如果不是绝对必要的话，不要随意调用父类中的私有成员（即带有双下划线前缀的名字）。这些名称可能会被解释器修改以防止命名冲突 (name mangling)，从而使得直接引用变得困难甚至不可能。

另外值得注意的是，在大多数情况下并不需要显式地调用 `super().__getattr__('some_method')`; 只要按照标准 API 使用公共接口即可正常工作。

tags = super().__sklearn_tags__() AttributeError: 'super' object has no attribute '__sklearn_tags__'

### Python `super()` 调用时遇到的 `AttributeError` 错误解决方案

当在继承链中使用 `super()` 函数初始化父类时，如果发生 `AttributeError: 'super' object has no attribute '__sklearn_tags__'` 类似的错误，通常意味着子类尝试访问其基类不存在的方法或属性。

对于特定于 `'__sklearn_tags__'` 的情况，在某些情况下可能是由于版本兼容性问题或是库内部实现细节变化所引起的。为了处理这个问题，可以采取以下几种方式：

#### 方法一：确认依赖项版本匹配
确保所有使用的第三方库处于相互兼容的状态非常重要。特别是像 scikit-learn 这样的机器学习框架经常更新API接口，不同版本之间可能存在差异。因此建议检查并安装与当前项目相适应的具体版本号[^1]。

pip install -r requirements.txt

其中 `requirements.txt` 文件应指定确切的包及其版本信息。

#### 方法二：重写缺失的功能
如果确实需要该功能而它又不在现有环境中可用，则可以在派生类里显式定义这个方法来绕过此限制[^2]:

class CustomEstimator(BaseEstimator):
    @property
    def _estimator_type(self):
        return "classifier"

    def get_params(self, deep=True):
        params = super().get_params(deep=deep)
        # Add custom parameters here if necessary
        return params
    
    @property
    def __sklearn_tags__(self):
        tags = getattr(super(), "__sklearn_tags__", {})
        # Optionally add or modify tag values as needed by your estimator
        return tags

这种方法允许你在不影响其他部分的情况下扩展所需的行为。

#### 方法三：调整代码逻辑避开直接调用
有时最简单的修复办法就是改变程序设计思路，避免触发有问题的那一段代码路径。比如通过重构代码结构或者寻找替代方案达到相同目的而不必触及到引发异常的地方[^3]。