深入 Python 函数式编程模块 functools
- 介绍
- functools 模块的功能
- functools.partial
- functools.wraps
- functools.lru_cache
- functools.reduce
- 实例演示
- 使用 functools.partial 创建固定参数的函数
- 使用 functools.wraps 保留原函数的文档字符串和名称
- 使用 functools.lru_cache 加速函数的执行
- 使用 functools.reduce 实现自定义的 reduce 操作
介绍
functools 模块是 Python 的标准库之一,它提供了一系列用于函数操作的函数。使用这些函数可以编写更简洁、更高效的代码,尤其是在函数式编程范式中。以下是对 functools 模块中一些重要功能做的一个分享
functools 模块的功能
functools.partial
functools.partial
函数用于创建一个新的函数,这个新函数是原始函数的一个偏应用,即固定函数的一些参数。
from functools import partial
# 定义一个函数,需要多个参数
def power(base, exponent):
return base ** exponent
# 使用 functools.partial 创建一个偏函数,只保留一个参数
square = partial(power, exponent=2)
# 调用偏函数
print(square(4)) # 输出: 16
functools.wraps
functools.wraps
装饰器用于保留被包装函数的元信息,如文档字符串、名称和参数列表。
from functools import wraps
# 定义一个函数
def my_function(a, b):
"""函数"""
return a + b
# 使用 functools.wraps 装饰器包装一个函数
@wraps(my_function)
def wrapper(c, d):
return my_function(c, d)
# 检查 wrapper 函数的元信息
print(wrapper.__doc__) # 输出:函数
print(wrapper.__name__) # 输出:my_function
functools.lru_cache
functools.lru_cache
装饰器用于缓存函数的返回值,这对于避免重复计算昂贵的函数调用非常有用。
from functools import lru_cache
@lru_cache(maxsize=None)
def fibonacci(n):
if n <= 1:
return n
return fibonacci(n - 1) + fibonacci(n - 2)
# 调用 fibonacci 函数
print(fibonacci(100)) # 354224848179261915075
functools.reduce
functools.reduce
函数用于将一个二元操作函数累积地应用到一个序列的所有元素上,从左到右,直到序列结束。
from functools import reduce
# 定义一个函数,计算乘积
def multiply(x, y):
return x * y
# 使用 reduce 计算 [1, 2, 3, 4] 的乘积
print(reduce(multiply, [1, 2, 3, 4])) # 输出: 24
实例演示
使用 functools.partial 创建固定参数的函数
from functools import partial
def add(a, b, c):
return a + b + c
partial_add = partial(add, c=5)
print(partial_add(1, 2)) # 输出: 8
使用 functools.wraps 保留原函数的文档字符串和名称
from functools import wraps
def my_function(a, b):
"""函数"""
return a + b
@wraps(my_function)
def my_wrapper(c, d):
return my_function(c, d)
print(my_wrapper.__doc__) # 输出:函数
使用 functools.lru_cache 加速函数的执行
from functools import lru_cache
@lru_cache(maxsize=128)
def memoized_factorial(n):
if n == 0:
return 1
return n * memoized_factorial(n - 1)
print(memoized_factorial(5)) # 输出: 120
在这个例子中,memoized_factorial
函数使用 lru_cache
来缓存之前计算的结果。这意味着当函数被重复调用时,如果之前已经计算过相同参数的结果,functools 将返回缓存的结果,而不是重新计算。
使用 functools.reduce 实现自定义的 reduce 操作
from functools import reduce
def average(total, new_value):
return total + new_value
result = reduce(average, [1, 2, 3, 4], 0) / len([1, 2, 3, 4])
print(result) # 输出: 2.5
在这个例子中,定义了一个 average
函数,它将一个新值加到总和中。然后使用 reduce
函数来应用这个 average
函数到列表 [1, 2, 3, 4]
上,初始值为 0
。这样就得到了列表的平均值。
functools 模块为 Python 的函数式编程提供了许多有用的工具。通过学习如何使用 functools.partial
、functools.wraps
、functools.lru_cache
和 functools.reduce
,可以更加高效地处理函数和数据集合。这些功能不仅可以提高代码的性能,还可以使代码更加清晰和易于维护。