Python functools 工具模块

functools 提供高阶函数工具，增强函数功能。

wraps 装饰器

保持被装饰函数的元信息。

from functools import wraps

def my_decorator(func):
    @wraps(func)  # 保持 __name__, __doc__ 等
    def wrapper(*args, **kwargs):
        return func(*args, **kwargs)
    return wrapper

@my_decorator
def example():
    "示例文档"
    pass

print(example.__name__)  # example
print(example.__doc__)   # 示例文档

不使用 wraps：

def bad_decorator(func):
    def wrapper(*args, **kwargs):
        return func(*args, **kwargs)
    return wrapper

@bad_decorator
def example():
    "示例文档"
    pass

print(example.__name__)  # wrapper（丢失原信息）

lru_cache 缓存

缓存函数调用结果，提升性能。

from functools import lru_cache

@lru_cache(maxsize=128)
def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n - 1) + fibonacci(n - 2)

# 第一次调用计算
print(fibonacci(100))  # 快速返回

# 查看缓存信息
print(fibonacci.cache_info())
# CacheInfo(hits=99, misses=101, maxsize=128, currsize=101)

# 清除缓存
fibonacci.cache_clear()

cache 无限缓存

from functools import cache

@cache  # 无大小限制
def factorial(n):
    if n < 2:
        return 1
    return n * factorial(n - 1)

print(factorial(10))

cached_property

缓存计算属性。

from functools import cached_property

class DataSet:
    def __init__(self, data):
        self._data = data

    @cached_property
    def summary(self):
        "只计算一次，之后缓存"
        return {
            'count': len(self._data),
            'sum': sum(self._data),
            'avg': sum(self._data) / len(self._data)
        }

ds = DataSet([1, 2, 3, 4, 5])
print(ds.summary)  # 第一次计算
print(ds.summary)  # 使用缓存

partial 偏函数

from functools import partial

def power(base, exp):
    return base ** exp

square = partial(power, exp=2)
print(square(4))  # 16

partialmethod

类方法的偏函数。

from functools import partialmethod

class Button:
    def click(self, action, target):
        print(f"{action} on {target}")

    click_ok = partialmethod(click, 'Confirm', 'OK')
    click_cancel = partialmethod(click, 'Cancel', 'Cancel')

btn = Button()
btn.click_ok()      # Confirm on OK
btn.click_cancel()  # Cancel on Cancel

reduce 累积函数

from functools import reduce

numbers = [1, 2, 3, 4, 5]
total = reduce(lambda x, y: x + y, numbers)
print(total)  # 15

# 带初始值
total = reduce(lambda x, y: x + y, numbers, 100)
print(total)  # 115

total_ordering 自动补全

from functools import total_ordering

@total_ordering
class Number:
    def __init__(self, value):
        self.value = value

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

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

# 自动生成 __le__, __gt__, __ge__
a = Number(5)
b = Number(10)

print(a < b)   # True
print(a <= b)  # True（自动生成）
print(a > b)   # False（自动生成）
print(a >= b)  # False（自动生成）

singledispatch 单分派

from functools import singledispatch

@singledispatch
def process(value):
    return f"默认处理: {value}"

@process.register
def _(value: int):
    return f"整数处理: {value * 2}"

@process.register
def _(value: str):
    return f"字符串处理: {value.upper()}"

@process.register(list)
def _(value):
    return f"列表处理: {len(value)}"

print(process(10))      # 整数处理: 20
print(process("hello")) # 字符串处理: HELLO
print(process([1,2,3])) # 列表处理: 3
print(process(3.14))    # 默认处理: 3.14

工具对比

要点总结

• wraps 保持装饰器函数的原有元信息
• lru_cache 缓存结果提升性能，maxsize=None 等同 cache
• cached_property 缓存计算属性，只计算一次
• partial 固定部分参数创建新函数
• reduce 累积处理序列返回单一值
• total_ordering 只需定义一个比较方法，自动补全其他
• singledispatch 根据参数类型分发不同实现