Python 的 functools 模块是一个非常实用的工具箱，它提供了许多高阶函数和装饰器，可以帮助你编写更简洁、更高效的代码。今天我们就来深入了解一下 functools 模块中的几个重要功能。
1. functools.lru_cache
lru_cache 是一个装饰器，用于缓存函数的返回值。当函数被多次调用时，如果参数相同，可以直接返回缓存的结果，从而提高性能。
示例代码
from functools import lru_cache
@lru_cache(maxsize=128) # 设置缓存的最大大小为128
def fibonacci(n):
if n < 2:
return n
return fibonacci(n-1) + fibonacci(n-2)
# 测试
print(fibonacci(30)) # 计算第30个斐波那契数
输出结果
832040
解释
在这个例子中，fibonacci 函数计算斐波那契数列。由于斐波那契数列的递归计算非常耗时，使用 lru_cache 可以显著提高性能。maxsize 参数指定了缓存的最大大小，超过这个大小后，最近最少使用的缓存项将被移除。
2. functools.partial
partial 函数允许你固定部分函数参数，创建一个新的函数。这在需要传递固定参数的情况下非常有用。
示例代码
from functools import partial
def power(base, exponent):
return base ** exponent
# 创建一个新的函数，固定 base 为 2
square = partial(power, base=2)
# 测试
print(square(3)) # 计算 2 的 3 次方
输出结果
8
解释
在这个例子中，power 函数接受两个参数 base 和 exponent。使用 partial 固定 base 为 2，创建了一个新的函数 square，这样每次调用 square 时，只需要传入 exponent 即可。
3. functools.reduce
reduce 函数可以对一个序列进行累积操作，通常与 lambda 表达式一起使用。它从左到右地对序列的元素进行累积计算。
示例代码
from functools import reduce
# 计算列表中所有数字的乘积
numbers = [1, 2, 3, 4, 5]
product = reduce(lambda x, y: x * y, numbers)
# 测试
print(product)
输出结果
120
解释
在这个例子中，reduce 函数使用 lambda 表达式 lambda x, y: x * y 对列表 numbers 进行累积乘法运算。最终结果是列表中所有数字的乘积。
4. functools.singledispatch
singledispatch 装饰器允许你为不同的数据类型定义不同的函数实现。这是一个简单的多态机制。
示例代码
from functools import singledispatch
@singledispatch
def process(data):
print("Unknown data type")
@process.register(int)
def _(data):
print(f"Processing integer: {data}")
@process.register(str)
def _(data):
print(f"Processing string: {data}")
# 测试
process(42)
process("Hello, World!")
输出结果
Processing integer: 42
Processing string: Hello, World!
解释
在这个例子中，process 函数使用 singledispatch 装饰器定义了多个实现。根据传入的数据类型，process 函数会选择相应的实现。如果没有匹配的实现，则会调用默认的实现。
5. functools.cmp_to_key
cmp_to_key 函数可以将一个比较函数转换为关键字函数，适用于 sorted 等排序函数。
示例代码
from functools import cmp_to_key
def compare(x, y):
if x < y:
return -1
elif x > y:
return 1
else:
return 0
numbers = [5, 2, 9, 1, 5, 6]
sorted_numbers = sorted(numbers, key=cmp_to_key(compare))
# 测试
print(sorted_numbers)
输出结果
[1, 2, 5, 5, 6, 9]
解释
在这个例子中，compare 函数是一个传统的比较函数。使用 cmp_to_key 将其转换为关键字函数，然后传递给 sorted 函数进行排序。最终结果是按升序排列的列表。
实战案例：优化 API 请求
假设你有一个 API 客户端，需要频繁请求同一个 URL，但每次请求都会消耗大量时间。我们可以使用 lru_cache 来缓存请求结果，提高性能。
示例代码
import requests
from functools import lru_cache
@lru_cache(maxsize=100)
def fetch_data(url):
response = requests.get(url)
return response.json()
# 测试
url = "https://api.example.com/data"
data = fetch_data(url)
print(data)
输出结果
{'key': 'value', ...}
解释
在这个例子中，fetch_data 函数使用 lru_cache 缓存了 API 请求的结果。当再次请求相同的 URL 时，直接返回缓存的结果，避免了重复的网络请求，提高了性能。
总结
本文介绍了 functools 模块中的几个重要功能：lru_cache、partial、reduce、singledispatch 和 cmp_to_key。通过这些功能，你可以编写更高效、更简洁的代码。
好了，今天的分享就到这里了，我们下期见。如果本文对你有帮助，请动动你可爱的小手指点赞、转发、在看吧！
付费合集推荐
文末福利
公众号消息窗口回复“编程资料”，获取Python编程、人工智能、爬虫等100+本精品电子书。
