Python 标准库functools高阶函数用法

简介: Python 标准库functools高阶函数用法

functoolsPython 标准库中的一个模块,它提供了一系列高阶函数和操作函数的工具。这些工具函数在函数式编程中非常有用,可以帮助我们以更加声明式和抽象的方式处理函数。在这篇文章中,我们将介绍 functools 模块中的一些常用函数和它们的用途。

>>> import functools

>>> functools.__all__

['update_wrapper', 'wraps', 'WRAPPER_ASSIGNMENTS', 'WRAPPER_UPDATES', 'total_ordering', 'cache', 'cmp_to_key', 'lru_cache', 'reduce', 'partial', 'partialmethod', 'singledispatch', 'singledispatchmethod', 'cached_property']

>>> dir(functools)

['GenericAlias', 'RLock', 'WRAPPER_ASSIGNMENTS', 'WRAPPER_UPDATES', '_CacheInfo', '_HashedSeq', '_NOT_FOUND', '__all__', '__builtins__', '__cached__', '__doc__', '__file__', '__loader__', '__name__', '__package__', '__spec__', '_c3_merge', '_c3_mro', '_compose_mro', '_convert', '_find_impl', '_ge_from_gt', '_ge_from_le', '_ge_from_lt', '_gt_from_ge', '_gt_from_le', '_gt_from_lt', '_initial_missing', '_le_from_ge', '_le_from_gt', '_le_from_lt', '_lru_cache_wrapper', '_lt_from_ge', '_lt_from_gt', '_lt_from_le', '_make_key', '_unwrap_partial', 'cache', 'cached_property', 'cmp_to_key', 'get_cache_token', 'lru_cache', 'namedtuple', 'partial', 'partialmethod', 'recursive_repr', 'reduce', 'singledispatch', 'singledispatchmethod', 'total_ordering', 'update_wrapper', 'wraps']

1. partial

partial 函数是 functools 模块中最著名的函数之一。它用于创建一个新的部分函数,这个新函数固定了原函数的一些参数,并且可以接受更少的参数。这在需要重用函数或者在多个地方使用相同参数的函数时非常有用。

用法示例
from functools import partial
 
def multiply(x, y):
    return x * y
 
# 创建一个新函数,它固定了 multiply 函数的第一个参数为 2
double = partial(multiply, 2)
result = double(5)  # 相当于 multiply(2, 5)
 
print(result)  # 输出: 10

2. reduce

reduce 函数不是 Python 标准库的内置函数,但它是 functools 模块的一部分。reduce 函数接受一个函数和一个迭代器作为参数,并将传入的函数应用于所有元素,从左到右,以累积结果。这在需要进行累积计算时非常有用。

用法示例
from functools import reduce
 
def add(x, y):
    return x + y
 
numbers = [1, 2, 3, 4, 5]
result = reduce(add, numbers)
 
print(result)  # 输出: 15

3. total_ordering

total_ordering 是一个类装饰器,它用于自动为类生成比较方法。当你定义了一个类并且实现了它的 __eq____hash__ 方法时,total_ordering 可以确保类的行为符合预期。

用法示例
from functools import total_ordering
 
@total_ordering
class Person:
    def __init__(self, name, age):
        self.name = name
        self.age = age
 
    def __eq__(self, other):
        return (self.name, self.age) == (other.name, other.age)
 
    def __hash__(self):
        return hash((self.name, self.age))
 
# 现在 Person 类支持所有的比较操作
p1 = Person("Alice", 30)
p2 = Person("Alice", 30)
p3 = Person("Bob", 35)
 
print(p1 < p2)  # 输出: False
print(p1 < p3)  # 输出: True

4. cmp_to_key

cmp_to_key 函数用于将比较函数转换为键函数。

用法示例
from functools import cmp_to_key
 
def compare(x, y):
    return (x > y) - (x < y)
 
# 使用 cmp_to_key 将 compare 函数转换为键函数
key_func = cmp_to_key(compare)
 
numbers = [3, 1, 4, 1, 5, 9, 2, 6, 5]
sorted_numbers = sorted(numbers, key=key_func)
 
print(sorted_numbers)  # 输出排序后的数字列表

5. lru_cache

lru_cache 是一个函数装饰器,它用于缓存函数的结果,以便相同的参数在未来的调用中可以快速检索。这在需要优化函数性能,特别是对于计算密集型函数时非常有用。

用法示例
from functools import lru_cache
 
@lru_cache(maxsize=128)
def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n - 1) + fibonacci(n - 2)
 
# 调用 fibonacci 函数时,结果会被缓存
print(fibonacci(10))  # 输出: 55

6. singledispatch

singledispatch 是一个通用装饰器,它用于实现单分派通用函数。它允许您根据第一个参数的类型来选择不同的实现。

用法示例
from functools import singledispatch
 
@singledispatch
def my_function(arg):
    return f"No implementation for {type(arg)}"
 
@my_function.register(int)
def _(arg):
    return f"The integer is {arg}"
 
@my_function.register(str)
def _(arg):
    return f"The string is {arg}"
 
print(my_function(42))  # 输出: The integer is 42
print(my_function("hello"))  # 输出: The string is hello

7. update_wrapper

update_wrapper 函数用于更新一个函数的__name____doc____annotations____wrapper__属性,使其看起来像原始函数。这在创建包装器函数时非常有用。

用法示例
from functools import update_wrapper
 
def my_decorator(f):
    def wrapper(*args, **kwargs):
        return f(*args, **kwargs) + 1
    update_wrapper(wrapper, f)
    return wrapper
 
@my_decorator
def increment(n):
    return n
 
print(increment.__name__)  # 输出: increment


8. partialmethod

partialmethodfunctools 模块中的一个类装饰器,它允许你创建一个绑定了固定参数的方法,类似于 partial 函数,但是用于方法而不是函数。

用法示例
from functools import partialmethod
 
class MyClass:
    def method(self, arg1, arg2):
        return arg1 + arg2
 
    @partialmethod
    def static_method(self, arg1):
        return static_method(arg1, 2)
 
instance = MyClass()
print(instance.static_method(10))  # 输出: 12

9. singledispatchmethod

singledispatchmethod 是一个类装饰器,它允许你为类中的方法实现单分派通用方法。与 singledispatch 类似,但它是用于类方法的。

用法示例
from functools import singledispatchmethod
 
class MyClass:
    @singledispatchmethod
    def method(self, arg):
        return f"No implementation for {type(arg)}"
 
    @method.register(int)
    def _(self, arg):
        return f"The integer is {arg}"
 
    def method(self, arg):
        return super().method(arg)
 
instance = MyClass()
print(instance.method(42))  # 输出: The integer is 42

10. cache

cachefunctools 模块中的一个类装饰器,它类似于 lru_cache,但提供了更少的保证和更低的开销。它用于缓存函数的结果,但没有最大缓存大小的限制。

用法示例
from functools import cache
 
@cache
def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n - 1) + fibonacci(n - 2)
 
print(fibonacci(10))  # 输出: 55

11. total_ordering

total_ordering 是一个类装饰器,用于自动为类生成比较方法。当你定义了一个类并且实现了它的 __eq__ 方法时,total_ordering 可以确保类的行为符合预期。

用法示例
from functools import total_ordering
 
@total_ordering
class MyClass:
    def __init__(self, value):
        self.value = value
 
    def __eq__(self, other):
        return self.value == other.value
 
    def __repr__(self):
        return f"MyClass({self.value!r})"
 
instance1 = MyClass(1)
instance2 = MyClass(1)
instance3 = MyClass(2)
 
print(instance1 < instance2)  # 输出: False
print(instance1 < instance3)  # 输出: True

12. wraps

wraps 是一个装饰器,用于包装函数。它用于保持被包装函数的元数据(如名称、文档字符串和注解)不变。

用法示例
from functools import wraps
 
def my_decorator(f):
    @wraps(f)
    def wrapper(*args, **kwargs):
        return f(*args, **kwargs) + 1
    return wrapper
 
@my_decorator
def increment(n):
    return n
 
print(increment.__name__)  # 输出: increment
print(increment.__doc__)  # 输出函数的文档字符串

13. singledispatch

singledispatch 是一个多分派通用装饰器,它允许你根据传递给函数的第一个参数的类型来分派到不同的实现。

用法示例
from functools import singledispatch
 
@singledispatch
def process(value):
    return f"Unknown type: {type(value)}"
 
@process.register(str)
def _(value):
    return f"String: {value}"
 
@process.register(int)
def _(value):
    return f"Integer: {value}"
 
print(process("hello"))  # 输出: String: hello
print(process(42))     # 输出: Integer: 42

1bf3b0890855479297287898c90bc679.png

完。

目录
相关文章
|
12天前
|
调度 开发者 Python
Python中的异步编程:理解asyncio库
在Python的世界里,异步编程是一种高效处理I/O密集型任务的方法。本文将深入探讨Python的asyncio库,它是实现异步编程的核心。我们将从asyncio的基本概念出发,逐步解析事件循环、协程、任务和期货的概念,并通过实例展示如何使用asyncio来编写异步代码。不同于传统的同步编程,异步编程能够让程序在等待I/O操作完成时释放资源去处理其他任务,从而提高程序的整体效率和响应速度。
|
15天前
|
数据采集 存储 数据挖掘
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第27天】在数据分析领域,Python的Pandas库因其强大的数据处理能力而备受青睐。本文介绍了Pandas在数据导入、清洗、转换、聚合、时间序列分析和数据合并等方面的高效技巧,帮助数据分析师快速处理复杂数据集,提高工作效率。
43 0
|
8天前
|
数据库 Python
异步编程不再难!Python asyncio库实战,让你的代码流畅如丝!
在编程中,随着应用复杂度的提升,对并发和异步处理的需求日益增长。Python的asyncio库通过async和await关键字,简化了异步编程,使其变得流畅高效。本文将通过实战示例,介绍异步编程的基本概念、如何使用asyncio编写异步代码以及处理多个异步任务的方法,帮助你掌握异步编程技巧,提高代码性能。
25 4
|
8天前
|
API 数据处理 Python
探秘Python并发新世界:asyncio库,让你的代码并发更优雅!
在Python编程中,随着网络应用和数据处理需求的增长,并发编程变得愈发重要。asyncio库作为Python 3.4及以上版本的标准库,以其简洁的API和强大的异步编程能力,成为提升性能和优化资源利用的关键工具。本文介绍了asyncio的基本概念、异步函数的定义与使用、并发控制和资源管理等核心功能,通过具体示例展示了如何高效地编写并发代码。
19 2
|
13天前
|
数据采集 JSON 测试技术
Python爬虫神器requests库的使用
在现代编程中,网络请求是必不可少的部分。本文详细介绍 Python 的 requests 库,一个功能强大且易用的 HTTP 请求库。内容涵盖安装、基本功能(如发送 GET 和 POST 请求、设置请求头、处理响应)、高级功能(如会话管理和文件上传)以及实际应用场景。通过本文,你将全面掌握 requests 库的使用方法。🚀🌟
35 7
|
29天前
|
网络协议 数据库连接 Python
python知识点100篇系列(17)-替换requests的python库httpx
【10月更文挑战第4天】Requests 是基于 Python 开发的 HTTP 库,使用简单,功能强大。然而,随着 Python 3.6 的发布,出现了 Requests 的替代品 —— httpx。httpx 继承了 Requests 的所有特性,并增加了对异步请求的支持,支持 HTTP/1.1 和 HTTP/2,能够发送同步和异步请求,适用于 WSGI 和 ASGI 应用。安装使用 httpx 需要 Python 3.6 及以上版本,异步请求则需要 Python 3.8 及以上。httpx 提供了 Client 和 AsyncClient,分别用于优化同步和异步请求的性能。
python知识点100篇系列(17)-替换requests的python库httpx
|
14天前
|
机器学习/深度学习 数据采集 算法
Python机器学习:Scikit-learn库的高效使用技巧
【10月更文挑战第28天】Scikit-learn 是 Python 中最受欢迎的机器学习库之一,以其简洁的 API、丰富的算法和良好的文档支持而受到开发者喜爱。本文介绍了 Scikit-learn 的高效使用技巧,包括数据预处理(如使用 Pipeline 和 ColumnTransformer)、模型选择与评估(如交叉验证和 GridSearchCV)以及模型持久化(如使用 joblib)。通过这些技巧,你可以在机器学习项目中事半功倍。
21 3
|
17天前
|
数据采集 数据可视化 数据处理
如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`)
本文介绍了如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`),加载历史数据,计算均线和其他技术指标,实现交易逻辑,记录和可视化交易结果。示例代码展示了如何根据均线交叉和价格条件进行开仓、止损和止盈操作。实际应用时需注意数据质量、交易成本和风险管理。
37 5
|
16天前
|
存储 数据挖掘 数据处理
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第26天】Python 是数据分析领域的热门语言,Pandas 库以其高效的数据处理功能成为数据科学家的利器。本文介绍 Pandas 在数据读取、筛选、分组、转换和合并等方面的高效技巧,并通过示例代码展示其实际应用。
30 2
|
25天前
|
数据可视化 数据挖掘 Python
Seaborn 库创建吸引人的统计图表
【10月更文挑战第11天】本文介绍了如何使用 Seaborn 库创建多种统计图表,包括散点图、箱线图、直方图、线性回归图、热力图等。通过具体示例和代码,展示了 Seaborn 在数据可视化中的强大功能和灵活性,帮助读者更好地理解和应用这一工具。
36 3