functools 模块

functools 模块是 Python 标准库的一部分，提供了一些用于函数操作的高阶函数和装饰器。这个模块主要用于提高函数的复用性和简化代码。

1. `functools` 常用功能

1.1 `functools.reduce()`

功能：对一个序列的元素进行累计操作。reduce() 函数会对序列中的元素依次执行传入的函数，并将结果继续与下一个元素进行累积计算，直到整个序列计算完毕。
参数：
function：用于计算的函数，必须接收两个参数。
iterable：要进行累计操作的序列。
initializer：可选，初始值。
示例： ```python from functools import reduce

nums = [1, 2, 3, 4] result = reduce(lambda x, y: x * y, nums) print(result) # 输出: 24 ```

1.2 `functools.partial()`

功能：创建一个新的函数，将部分参数固定，然后返回这个新的函数。常用于函数参数的预设或简化函数调用。
参数：
func：要部分应用的函数。
*args：固定的参数。
**kwargs：固定的关键字参数。
示例： ```python from functools import partial

def multiply(x, y): return x * y

double = partial(multiply, 2) print(double(5)) # 输出: 10 ```

1.3 `functools.lru_cache()`

功能：为函数结果提供缓存功能，用于优化函数的重复调用。LRU 表示“最近最少使用”缓存策略。
参数：
maxsize：缓存的最大数量。默认值为 128，None 表示不限制缓存大小。
typed：布尔值，True 表示将不同类型的参数分别缓存，默认值为 False。
示例： ```python from functools import lru_cache

@lru_cache(maxsize=100) def fibonacci(n): if n < 2: return n return fibonacci(n-1) + fibonacci(n-2)

print(fibonacci(10)) # 输出: 55 ```

1.4 `functools.wraps()`

功能：用于装饰器内，将被装饰函数的元数据（如函数名、文档字符串）复制到装饰器函数中，保持函数的元数据不变。
参数：
wrapped：被装饰的函数。
示例： ```python from functools import wraps

def my_decorator(f): @wraps(f) def wrapper(args, kwargs): print("Before function call") result = f(args, **kwargs) print("After function call") return result return wrapper

@my_decorator def say_hello(): """This is a greeting function.""" print("Hello!")

say_hello() print(say_hello.name) # 输出: say_hello print(say_hello.doc) # 输出: This is a greeting function. ```

1.5 `functools.total_ordering`

功能：为类提供全套比较操作，只需要定义 __lt__() (小于) 和 __eq__() (等于) 方法，其他比较操作（__le__()、__gt__()、__ge__() 和 __ne__()）会自动生成。
示例： ```python from functools import total_ordering

@total_ordering class Student: def init(self, name, grade): self.name = name self.grade = grade

  def __eq__(self, other):
      return self.grade == other.grade

  def __lt__(self, other):
      return self.grade < other.grade

alice = Student("Alice", 90) bob = Student("Bob", 85)

print(alice > bob) # 输出: True print(alice <= bob) # 输出: False ```

1.6 `functools.singledispatch()`

功能：实现基于参数类型的单分派泛型函数。通过注册不同的类型处理函数，实现对不同类型参数的不同处理。
示例： ```python from functools import singledispatch

@singledispatch def process(value): print("Processing as a generic type:", value)

@process.register(int) def _(value): print("Processing as an integer:", value)

@process.register(str) def _(value): print("Processing as a string:", value)

process(10) # 输出: Processing as an integer: 10 process("hi") # 输出: Processing as a string: hi process([1, 2, 3]) # 输出: Processing as a generic type: [1, 2, 3] ```

2. 高级用法

2.1 使用 `partial` 优化函数参数

partial 可以在编写回调函数时非常有用，可以提前绑定部分参数，从而减少复杂度。例如，在事件处理函数中：

from functools import partial

def callback(x, y):
    print(f"Clicked on button {x} at position {y}")

button_callback = partial(callback, "Button1")
button_callback((100, 200))  # 输出: Clicked on button Button1 at position (100, 200)

2.2 使用 `lru_cache` 提高性能

对于递归函数，lru_cache 可以显著提高性能，尤其是在计算斐波那契数列或求解动态规划问题时，缓存功能可避免重复计算。

3. 注意事项

partial 的使用：当使用 partial 时，如果传递的参数数量不足，会返回一个新的函数，而不是立即调用。要确保传递足够的参数以正确调用函数。
lru_cache 的缓存管理：要注意缓存的大小（maxsize 参数），避免占用过多内存。可以定期清理缓存或根据应用需求调整缓存策略。

functools 模块为 Python 提供了许多强大的工具，使得函数的操作更加灵活和高效。无论是优化性能、简化代码，还是实现复杂的功能需求，functools 都是不可或缺的工具。

functools 模块

1. functools 常用功能

1.1 functools.reduce()

1.2 functools.partial()

1.3 functools.lru_cache()

1.4 functools.wraps()

1.5 functools.total_ordering

1.6 functools.singledispatch()