Python之functools

🧠 一、模块定位

functools 是 Python 的函数式编程支持库，其目标是提供工具来：

• 增强函数的功能
• 操作函数对象（函数即一等公民）
• 支持函数式编程范式（如惰性求值、偏应用、缓存、分派等）

---

📦 二、详细讲解各个函数

---

1️⃣ functools.partial

✅ 作用：

创建一个新的函数，将原函数的部分参数固定（即预填充），返回一个新的“偏函数”。

✅ 实现原理：

底层使用 Partial 类，保存 func、args 和 keywords，调用时组合这三者与新的参数一起调用原函数。

✅ 示例：

from functools import partial

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

square = partial(power, exponent=2)
print(square(3))  # 9

---

2️⃣ functools.wraps

✅ 作用：

用来修饰自定义装饰器，保留被装饰函数的元信息，如 __name__, __doc__, __annotations__ 等。

✅ 实现原理：

本质是 update_wrapper() 的简写形式，作用是将 wrapped 函数的属性复制到 wrapper 上。

✅ 示例：

from functools import wraps

def logger(func):
    @wraps(func)
    def wrapper(*args, **kwargs):
        print(f"Calling {func.__name__}")
        return func(*args, **kwargs)
    return wrapper

---

3️⃣ functools.lru_cache

✅ 作用：

自动缓存函数的结果，用于提高函数（尤其是递归函数）的性能。

✅ 参数：

• maxsize: 缓存大小（设为 None 表示无限）
• typed: 是否区分参数类型（如 1 vs 1.0）

✅ 实现原理：

• 使用 Least Recently Used（LRU）算法
• 内部使用 OrderedDict（<=Py3.7）或 dict+双链表（>=Py3.8）
• 自动清除最久未使用的缓存项

✅ 示例：

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

---

4️⃣ functools.reduce

✅ 作用：

对可迭代对象中的项进行累积计算，从左到右依次合并，最终返回一个值。

✅ 原型：

reduce(function, iterable[, initializer])

✅ 示例：

from functools import reduce

nums = [1, 2, 3, 4]
result = reduce(lambda x, y: x + y, nums)  # 1+2+3+4

---

5️⃣ functools.singledispatch

✅ 作用：

实现 单分派泛型函数 —— 一个函数根据参数类型的不同自动分派到不同的实现。

✅ 应用场景：

• 实现类型相关逻辑而不需要手动写 if isinstance(...) 语句
• 模拟多态

✅ 示例：

from functools import singledispatch

@singledispatch
def process(value):
    print(f"Default: {value}")

@process.register(int)
def _(value):
    print(f"Integer: {value}")

@process.register(list)
def _(value):
    print(f"List: {value}")

process(42)       # Integer
process("hello")  # Default
process([1, 2])   # List

---

6️⃣ functools.total_ordering

✅ 作用：

自动为自定义类生成所有比较操作，只需实现 __lt__ 和一个等号类操作（如 __eq__）

✅ 示例：

from functools import total_ordering

@total_ordering
class Person:
    def __init__(self, age):
        self.age = age

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

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

只写了 __eq__ 和 __lt__，其他如 __le__, __gt__, __ge__ 都自动生成。

---

7️⃣ functools.cached_property（Python 3.8+）

✅ 作用：

类似 @property，但会缓存第一次计算的结果，后续访问不会再执行函数体。

✅ 示例：

from functools import cached_property

class Circle:
    def __init__(self, radius):
        self.radius = radius

    @cached_property
    def area(self):
        print("Computing area...")
        return 3.14 * self.radius ** 2

c = Circle(10)
print(c.area)  # 计算一次
print(c.area)  # 直接返回缓存值

---

8️⃣ functools.partialmethod

✅ 用于：类中创建带默认参数的方法（是 partial 的面向对象版本）

✅ 示例：

from functools import partialmethod

class Logger:
    def log(self, level, msg):
        print(f"[{level}] {msg}")

    info = partialmethod(log, "INFO")
    error = partialmethod(log, "ERROR")

log = Logger()
log.info("Initialization complete.")  # [INFO] Initialization complete.

---

9️⃣ functools.update_wrapper（底层函数）

✅ 作用：

复制函数的元信息到包装器函数中，是 wraps() 的实现基础。

✅ 用法：

from functools import update_wrapper

def decorator(func):
    def wrapper(*args, **kwargs):
        return func(*args, **kwargs)
    update_wrapper(wrapper, func)
    return wrapper

---

1️⃣0️⃣ functools.cache（Python 3.9+）

✅ 更简单的缓存方式：

from functools import cache

@cache
def square(n):
    return n * n

相当于 lru_cache(maxsize=None)。

---

📚 三、高阶应用场景总结

任务	函数
缓存递归函数结果	lru_cache / cache
写性能优化装饰器	wraps, update_wrapper
多类型支持的函数	singledispatch
实现类的懒加载属性	cached_property
自定义类比较	total_ordering
提前绑定参数	partial, partialmethod
组合函数调用	reduce
编写可读性更强的装饰器	wraps

---

📌 小结

functools 是函数式编程和面向对象编程之间的桥梁，可以：

• 提高代码的抽象程度
• 增强函数的功能与性能
• 保持代码可读性和结构简洁性