Python--闭包和装饰器高级应用

最新推荐文章于 2024-08-22 07:51:42 发布

AKIKZ

最新推荐文章于 2024-08-22 07:51:42 发布

阅读量1.1k

点赞数 27

分类专栏： Python语法(pycharm) 文章标签： python 开发语言前端

本文链接：https://blog.csdn.net/mmd666/article/details/140535640

版权

Python语法(pycharm) 专栏收录该内容

32 篇文章 0 订阅

订阅专栏

闭包和装饰器是Python中两个强大的特性，它们可以显著提升代码的灵活性和性能。以下是一些闭包和装饰器的使用示例和解释。

1. 闭包

闭包允许函数记住并访问它们被创建时的环境。这使得闭包可以捕获并保存外部函数的变量，即使外部函数已经执行完毕。

示例：简单闭包

def outer(logo):
    def inner(msg):
        print(f"<{logo}>{msg}<{logo}>")
    return inner

fn1 = outer("黑马程序员")
fn1("大家好")  # 输出：<黑马程序员>大家好<黑马程序员>
fn1("大家好")  # 输出：<黑马程序员>大家好<黑马程序员>

fn2 = outer("传智教育")
fn2("大家好")  # 输出：<传智教育>大家好<传智教育>

解释：

outer函数返回了一个inner函数。
inner函数可以访问outer函数的变量logo。
每次调用fn1或fn2时，都会打印带有相应logo的消息。

示例：使用nonlocal关键字修改外部函数的值

def outer(num1):
    def inner(num2):
        nonlocal num1
        num1 += num2
        print(num1)
    return inner

fn = outer(10)
fn(10)  # 输出：20
fn(10)  # 输出：30
fn(10)  # 输出：40

解释：

outer函数返回了一个inner函数。
inner函数使用nonlocal关键字修改outer函数的变量num1。
每次调用fn时，num1的值都会增加num2。

示例：使用闭包实现ATM小案例

def account_create(initial_amount=0):
    def atm(num, deposit=True):
        nonlocal initial_amount
        if deposit:
            initial_amount += num
            print(f"存款：+{num}， 账户余额：{initial_amount}")
        else:
            initial_amount -= num
            print(f"取款：-{num}， 账户余额：{initial_amount}")
    return atm

atm = account_create()
atm(100)  # 输出：存款：+100， 账户余额：100
atm(200)  # 输出：存款：+200， 账户余额：300
atm(100, deposit=False)  # 输出：取款：-100， 账户余额：200

解释：

account_create函数返回了一个atm函数。
atm函数可以访问并修改account_create函数的变量initial_amount。
通过调用atm函数，可以进行存款和取款操作，并实时更新账户余额。

2. 装饰器

装饰器是一种设计模式，用于在不修改原始函数代码的情况下增加函数功能。

示例：计算函数执行时间的装饰器

import time

def time_decorator(func):
    def wrapper(*args, **kwargs):
        start_time = time.time()  # 记录开始时间
        result = func(*args, **kwargs)  # 调用原始函数
        end_time = time.time()  # 记录结束时间
        print(f"Function {func.__name__} executed in {end_time - start_time:.4f} seconds")
        return result
    return wrapper

@time_decorator
def example_function(n):
    time.sleep(n)  # 模拟耗时操作
    return f"Function completed after {n} seconds"

result = example_function(2)
print(result)

输出：

Function example_function executed in 2.0023 seconds
Function completed after 2 seconds

解释：

time_decorator是一个装饰器工厂函数，它接受一个函数func作为参数。
wrapper是一个内部函数，它包装了原始函数func的调用逻辑，并计算执行时间。

示例：带参数的装饰器

import time

def repeat_decorator(times):
    def decorator(func):
        def wrapper(*args, **kwargs):
            results = []
            for _ in range(times):
                start_time = time.time()
                result = func(*args, **kwargs)
                end_time = time.time()
                results.append(result)
                print(f"Function {func.__name__} executed in {end_time - start_time:.4f} seconds")
            return results
        return wrapper
    return decorator

@repeat_decorator(times=3)
def example_function(n):
    time.sleep(n)  # 模拟耗时操作
    return f"Function completed after {n} seconds"

results = example_function(1)
for result in results:
    print(result)

输出：

Function example_function executed in 1.0002 seconds
Function example_function executed in 1.0001 seconds
Function example_function executed in 1.0001 seconds
Function completed after 1 seconds
Function completed after 1 seconds
Function completed after 1 seconds

解释：

repeat_decorator是一个带参数的装饰器工厂函数，它接受一个参数times。
decorator是一个装饰器函数，它返回wrapper函数，wrapper函数包装了原始函数的调用逻辑，并重复执行times次。

3. 缓存策略

选择合适的缓存策略是优化应用性能的关键。以下是一些常见的缓存策略及其特点：

1. LRU（最近最少使用）缓存

适用场景：当缓存空间有限，且希望缓存最近被访问的数据时。
实现方式：Python的functools模块提供了lru_cache装饰器，可以自动实现LRU缓存。

示例：

from functools import lru_cache

@lru_cache(maxsize=100)  # 最多缓存100个结果
def compute_expensive_result(x):
    # 计算耗时的操作
    return x * x

2. FIFO（先进先出）缓存

适用场景：当需要按访问顺序缓存数据时。
实现方式：可以使用队列实现FIFO缓存，但Python标准库中没有直接支持，需要自定义实现。

示例：

from collections import deque

class FIFOCache:
    def __init__(self, capacity):
        self.cache = {}
        self.order = deque()
        self.capacity = capacity

    def get(self, key):
        if key in self.cache:
            self.order.remove(key)
            self.order.append(key)
            return self.cache[key]
        return None

    def put(self, key, value):
        if key in self.cache:
            self.order.remove(key)
        elif len(self.cache) >= self.capacity:
            oldest = self.order.popleft()
            del self.cache[oldest]
        self.cache[key] = value
        self.order.append(key)

cache = FIFOCache(100)

def cache_decorator(func):
    def wrapper(x):
        cached_result = cache.get(x)
        if cached_result is not None:
            return cached_result
        result = func(x)
        cache.put(x, result)
        return result
    return wrapper

@cache_decorator
def compute_expensive_result(x):
    return x * x

3. LFU（最少使用频率）缓存

适用场景：当希望缓存最常被访问的数据时。
实现方式：需要自定义实现，Python标准库中没有直接支持。

示例：

from collections import Counter

class LFUCache:
    def __init__(self, capacity):
        self.cache = {}
        self.freq = Counter()
        self.capacity = capacity

    def get(self, key):
        if key not in self.cache:
            return -1
        self.freq[key] += 1
        return self.cache[key]

    def put(self, key, value):
        if key in self.cache:
            self.freq[key] += 1
        else:
            if len(self.cache) >= self.capacity:
                least_freq_key = min(self.freq, key=self.freq.get)
                del self.cache[least_freq_key]
                del self.freq[least_freq_key]
        self.cache[key] = value
        self.freq[key] = 1

cache = LFUCache(100)

def cache_decorator(func):
    def wrapper(x):
        cached_result = cache.get(x)
        if cached_result != -1:
            return cached_result
        result = func(x)
        cache.put(x, result)
        return result
    return wrapper

@cache_decorator
def compute_expensive_result(x):
    return x * x