本文来源公众号“python”，仅用于学术分享，侵权删，干货满满。
functools模块是Python标准库中专门用于操作和增强函数行为的一个模块，提供了许多强大且实用的工具函数，如装饰器、函数缓存、偏函数和排序等功能。在处理复杂的函数逻辑时，functools模块能够帮助我们简化代码，提高代码的灵活性和可读性。本文将详细介绍functools模块的高级应用，包括lru_cache缓存、partial偏函数、wraps装饰器工具和cmp_to_key函数排序等内容，并结合实例展示如何在实际项目中应用这些功能。
1 函数缓存机制
functools.lru_cache是Python中的一种缓存装饰器，用于缓存函数的返回值，避免重复计算，提高性能。lru_cache使用“最近最少使用”（Least Recently Used, LRU）缓存策略，缓存访问频率高的结果，自动清理不常用的缓存。
1.1 lru_cache的使用方法
可以使用@lru_cache装饰器轻松为函数添加缓存功能。
以下是一个计算斐波那契数列的示例，通过缓存减少递归计算的开销：
from functools import lru_cache
@lru_cache(maxsize=128)
def fibonacci(n):
if n < 2:
return n
return fibonacci(n - 1) + fibonacci(n - 2)
# 计算斐波那契数列
print(fibonacci(50))
在这个示例中，fibonacci函数通过@lru_cache装饰器添加了缓存。maxsize=128参数指定了缓存的最大容量为128个结果，超出后会清除最少使用的结果，确保缓存空间的合理使用。此时，计算斐波那契数列的效率得到显著提升，尤其是在递归深度较大时。
1.2 缓存信息与清除缓存
可以使用cache_info()查看缓存的使用情况，cache_clear()清除缓存：
# 查看缓存信息
print(fibonacci.cache_info())
# 清除缓存
fibonacci.cache_clear()
cache_info()将显示缓存命中次数、未命中次数、缓存容量等信息，帮助了解缓存的效率。
2 偏函数应用
functools.partial用于创建一个新的函数，将原函数的部分参数固定，简化函数调用。在处理复杂函数时，partial可以减少重复参数的传递，提高代码的简洁性。
2.1 偏函数示例
以下示例展示了如何使用partial创建一个带有默认参数的偏函数：
from functools import partial
def power(base, exponent):
return base ** exponent
# 创建一个平方函数
square = partial(power, exponent=2)
print(square(5)) # 输出：25
# 创建一个立方函数
cube = partial(power, exponent=3)
print(cube(5)) # 输出：125
在这个示例中，partial将power函数的exponent参数固定为2和3，分别创建了平方和立方函数。这使得调用时只需传递一个参数，极大简化了代码。
2.2 使用偏函数配置函数参数
partial还可以用于配置带有多层次参数的函数，以下是一个实际应用示例：
import requests
from functools import partial
# 设置默认请求参数
get_with_timeout = partial(requests.get, timeout=5)
# 使用偏函数发送请求
response = get_with_timeout("https://www.example.com")
print(response.status_code)
在这个示例中，partial将requests.get的timeout参数固定为5秒，用于创建带超时设置的偏函数get_with_timeout，简化了多次调用中的参数配置。
3 保留装饰器原函数信息
在装饰器编程中，使用@wraps可以保留被装饰函数的元信息，例如函数名称、注释和参数签名。wraps装饰器来自functools模块，它能够防止因装饰器覆盖而丢失原始函数信息。
3.1 wraps的使用方法
以下示例展示了如何使用@wraps保留装饰器中原函数的信息：
from functools import wraps
def log_decorator(func):
@wraps(func)
def wrapper(*args, **kwargs):
print(f"调用函数 {func.__name__} 的参数：{args}, {kwargs}")
return func(*args, **kwargs)
return wrapper
@log_decorator
def greet(name):
"""返回问候语"""
return f"Hello, {name}!"
# 调用函数
print(greet("Alice"))
print(greet.__name__) # 输出：greet
print(greet.__doc__) # 输出：返回问候语
在这个示例中，@wraps(func)确保了greet函数的名称和文档字符串不会因装饰器覆盖而丢失。@wraps不仅有助于调试和文档生成，也在装饰器编程中确保了代码的清晰性和一致性。
4 自定义排序规则
functools.cmp_to_key用于将老式的比较函数转换为key函数，从而在sorted()或list.sort()等排序方法中使用。Python3的sorted()等排序函数不再支持cmp参数，因此需要cmp_to_key进行兼容处理。
4.1 自定义排序示例
以下示例展示了如何使用cmp_to_key实现自定义排序：
from functools import cmp_to_key
# 定义比较函数
def compare_by_length(a, b):
return len(a) - len(b)
# 使用 cmp_to_key 进行排序
words = ["banana", "apple", "kiwi", "pear"]
sorted_words = sorted(words, key=cmp_to_key(compare_by_length))
print(sorted_words) # 输出：['kiwi', 'pear', 'apple', 'banana']
在这个示例中，compare_by_length比较字符串的长度，cmp_to_key(compare_by_length)将其转换为key函数，使sorted()可以按照字符串长度进行排序。
5 reduce：高阶函数应用
functools.reduce是一种高阶函数，用于将一个可迭代对象的元素按规则进行累计操作。reduce通常用于累加、累计乘积等操作，适合处理需要连续合并数据的场景。
以下示例展示了如何使用reduce计算列表元素的乘积：
from functools import reduce
# 计算列表元素的乘积
numbers = [1, 2, 3, 4]
product = reduce(lambda x, y: x * y, numbers)
print(product) # 输出：24
在这个示例中，reduce将lambda函数应用于numbers列表的每两个元素，连续计算乘积，最终返回整个列表的乘积结果。reduce在数据处理和统计计算中非常常用。
6 结合lru_cache和partial实现高效递归
在实际项目中，可以结合lru_cache和partial实现更高效的递归操作。
6.1 阶乘计算示例
以下代码展示了一个结合缓存和偏函数的阶乘计算：
from functools import lru_cache, partial
@lru_cache(maxsize=None)
def factorial(n):
if n == 0:
return 1
return n * factorial(n - 1)
# 使用 partial 创建一个阶乘函数的偏函数
factorial_of_5 = partial(factorial, 5)
print(factorial_of_5()) # 输出：120
在这个示例中，factorial函数使用了@lru_cache装饰器实现结果缓存，避免了重复计算。通过partial创建了一个偏函数factorial_of_5，将阶乘计算固定为5!，简化了函数调用过程。
7 functools的实际应用场景
-
函数缓存：在数据分析、计算密集型任务中，通过
lru_cache避免重复计算。 -
偏函数应用：在配置多参数函数调用时，通过
partial创建参数默认的函数。 -
装饰器编写：使用
wraps确保装饰器保留原函数信息，方便调试和文档生成。 -
自定义排序：在复杂排序规则下，通过
cmp_to_key实现自定义排序逻辑。
8 总结
functools模块为Python提供了一系列强大且实用的函数工具，使得复杂的函数操作更加简洁高效。通过lru_cache实现函数结果缓存，我们可以显著提升性能，尤其是在计算密集型任务中。partial偏函数可以简化多参数函数的调用，让代码更具可读性和灵活性。wraps帮助保留装饰器原函数信息，是编写装饰器的好帮手。此外，cmp_to_key支持自定义排序规则，为排序需求提供了灵活性。
THE END !
文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。
标签：缓存,partial,函数,示例,python,functools,cache,Python From： https://blog.csdn.net/csdn_xmj/article/details/144090453