Python fuctools是什么？，怎么用？

Python的functools模块是标准库中用于高阶函数操作的核心工具，合理使用partial、lru_cache、wraps等函数能显著提升代码简洁性和执行效率。

这篇Python functools教程将深入讲解partial、lru_cache、wraps等核心函数的功能。

加载中

三分钟搞懂【Python】是什么？

几度编程

1.7万1813

原视频地址

functools.partial 用法实例

partial函数用于冻结函数的部分参数，生成一个新函数,它在简化回调函数和减少重复代码方面表现出色。

基本语法与参数绑定

partial接受一个可调用对象和若干参数，返回一个可调用对象,支持固定位置参数和关键字参数。

from functools import partial
def multiply(a, b, c=1):
    return a  b  c
double = partial(multiply, 2)  # 固定a=2
print(double(5, c=3))  # 253=30

partial 与 lambda 性能对比

在需要传递函数作为参数时,partial通常比lambda更清晰。

实际应用场景

• 事件处理：绑定带有参数的回调函数。
• 数据管道：配合map、filter使用,固定函数参数。
• 线程池提交：固定线程要执行的任务参数。

from concurrent.futures import ThreadPoolExecutor
from functools import partial
def process(data, config):
    pass
with ThreadPoolExecutor() as executor:
    results = executor.map(partial(process, config=my_config), data_list)

进阶用法：动态创建回调工厂

在GUI中，多个按钮绑定不同参数的回调,用partial非常方便。

from functools import partial
def on_click(button_id):
    print(f"Button {button_id} clicked")
buttons = [("Button1", 1), ("Button2", 2)]
for label, id in buttons:
    button = tk.Button(text=label, command=partial(on_click, id))
    button.pack()

常见陷阱

• 可变默认参数：partial不会复制参数，如果参数是可变对象,原始对象修改会影响所有派生函数。
• 过度使用：对于简单情况,lambda可能更直接。

functools.lru_cache 性能优化场景

lru_cache装饰器通过缓存计算结果，有效减少重复计算，它采用LRU淘汰策略,适合函数参数固定且结果稳定的场景。

缓存递归函数

递归算法如斐波那契，普通递归的时间复杂度是指数级的，加上lru_cache后,复杂度降为线性。

from functools import lru_cache
@lru_cache(maxsize=None)
def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n-1) + fibonacci(n-2)

据统计，计算fibonacci(40)时，未缓存版本的函数调用次数超过3亿次,缓存后仅需79次。

缓存大小与内存管理

maxsize参数控制缓存条目数，默认128，设置为None时无限制，但需注意内存占用，对于参数空间有限的函数，可以设置较大缓存；对于参数无限的情况,使用maxsize防止内存泄漏。

缓存统计与清除

被装饰的函数提供cache_info()方法，返回命中次数、未命中次数等信息，cache_clear()方法可以清除缓存,在需要重新计算时很有用。

缓存API请求示例

@lru_cache(maxsize=100)
def fetch_weather(city):
    response = requests.get(f"https://api.weather.com/{city}")
    return response.json()

短时间内重复查询同一城市时，直接从缓存返回,减少API调用。

常见陷阱

• 不可哈希参数：需要确保函数参数都是可哈希的。
• 缓存无限增长：没有设置maxsize可能导致内存耗尽。
• 缓存过期：lru_cache不支持过期时间,需要手动清除或使用其他方案。

functools.wraps 保留原函数元信息

装饰器会覆盖被装饰函数的name、doc等属性，wraps可以从原函数复制这些属性到包装函数,保持信息完整。

基本用法

from functools import wraps
def log_decorator(func):
    @wraps(func)
    def wrapper(args, kwargs):
        print(f"调用 {func.__name__}")
        return func(args, kwargs)
    return wrapper
@log_decorator
def greet():
    """返回问候语"""
    return "Hello"
print(greet.__name__)  # greet
print(greet.__doc__)   # 返回问候语

装饰器链中的元信息传递

当多个装饰器叠加时，每个装饰器都需要使用wraps，否则元信息会丢失，wraps本身也是一个装饰器，它使用了functools.update_wrapper。

业内专家指出,在装饰器链中使用wraps是保持元信息一致的最佳实践。

自定义装饰器的最佳实践

始终在包装函数上使用@wraps(func)，这样能保留原函数的签名相关属性,便于调试和文档生成。

常见陷阱

• 在类装饰器中忘记使用wraps。
• 装饰器返回的不是函数，而是其他可调用对象,此时wraps无效。

functools.reduce 归约函数

reduce将一个二元函数累积应用于序列，返回单个值，虽然Python 3中它是内置函数,但定义在functools中。

基本用法与常见模式

from functools import reduce
reduce(lambda x, y: x + y, [1, 2, 3, 4])  # 10
reduce(lambda x, y: x + y, [[1], [2], [3]], [])  # [1, 2, 3]

reduce 与循环的取舍

对于简单操作，如求和，使用sum更直接，对于复杂归约，reduce可能使代码更紧凑，但可读性可能降低。行业共识认为，在团队协作中，应优先考虑代码可读性,只有在你确信读者能理解reduce时才使用。

其他实用函数介绍

total_ordering 自动生成比较方法

total_ordering类装饰器基于你定义的eq和另一个比较方法（如lt），自动生成剩下的比较方法，这可以减少样板代码，但可能影响性能,因为自动生成的方法可能不如手动实现高效。

singledispatch 单分派泛型函数

singledispatch允许你根据第一个参数的类型，实现不同行为，这类似于函数重载,但通过注册实现。

from functools import singledispatch
@singledispatch
def handle(obj):
    raise TypeError("未知类型")
@handle.register(str)
def _(text):
    return text.upper()
@handle.register(int)
def _(n):
    return n  2

在数据处理中，singledispatch可以替代复杂的if-else逻辑。

cached_property 类属性缓存

cached_property是装饰器，用于将一个类方法转换为缓存属性，类似@property但结果会被缓存，且在下一次访问时直接返回缓存值,直到实例被删除。

from functools import cached_property
class Data:
    def __init__(self, data):
        self.data = data
    @cached_property
    def processed(self):
        return self.data  100
d = Data(5)
print(d.processed)  # 500
print(d.processed)  # 500，不会重新计算

适用场景：计算开销大的属性，且值在实例生命周期内不变，与@property配合,避免重复计算。

注意事项：cached_property创建的属性不可删除，但可以通过del实例属性强制删除缓存，它不支持在类中直接调用,使用时需小心。

与lru_cache的区别：cached_property是实例级别的缓存，每个实例独立；lru_cache是函数级别的缓存,跨实例共享。

functools 模块常见问题解答

Q: functools partial 和闭包有哪些区别？

A: partial显式声明要绑定的参数，闭包通过外部变量捕获，partial更易调试，性能略好，但只支持固定参数；闭包更灵活，可包含任意代码，在多数情况下,partial是更清晰的选择。

Q: lru_cache 能处理不可哈希参数吗？

A: 不能，如果函数参数包含不可哈希对象，如列表或字典，lru_cache会抛出TypeError，解决方案是将参数转换为可哈希形式，例如将列表转为元组，或将字典转为不可变映射，如果无法转换,需要自定义缓存方案。

Q: 如何自定义缓存装饰器？

A: 可以基于字典实现，但需注意线程安全、内存限制和过期策略，functools.lru_cache已经提供了线程安全、LRU淘汰和统计功能，除非有特殊需求（如缓存到磁盘或带过期时间）,否则直接使用lru_cache能满足大多数场景。

functools模块的函数虽少，但每个都直击痛点，从partial简化参数绑定，到lru_cache加速计算，再到wraps维护元信息，它们都是Python函数式编程中不可或缺的工具，在项目中尝试使用这些函数,能明显提升代码质量。