简单易懂，10个工作中常用的python装饰器模板，建议收藏作为模板

• 不讲高大上的词汇，装饰器（Decorators）是Python高阶内容，听起来复杂，本质上就是函数结果拓展器，使用@符号，应用于目标函数或类。

• 专业角度讲，用于修改或增强函数或类的行为。装饰器本质上是一个函数，它接受另一个函数或类作为参数，并返回一个新的函数或类。它们通常用于在不修改原始代码的情况下添加额外的功能或功能。

• 通俗角度讲，当工作中同事写了一个函数，返回值是 int 类型的 result，你觉得简陋，不想（其实是不能）改变他的函数内容，却想丰富结果，那么你就可以使用装饰器。把函数的结果作为中间变量，进行使用。

• 装饰器本质上是一个闭包，闭包是装饰器的核心。装饰器是程序开发中经常会使用到的一个功能，也是Python面试中必问的问题.

那么在工作过程中，经常遇到的场景有那些？我们该怎么用呢？下面，我会详细讲解，建议大家保存下来作为模板，然后根据具体业务进行修改。

1、@timer: 计时装饰器

通过记录函数的执行时间，来识别和分析代码瓶颈，作为代码优化的基础

 import time
 
 def my_timer_decorator(func):
    def wrapper(*args, **kwargs):
        start_time = time.time()
        result = func(*args, **kwargs)
        end_time = time.time()
        print(f"函数{func.__name__} 的执行时间为：为 {end_time - start_time:.2f} s.")
        return result
    return wrapper

 @my_timer_decorator
 def my_data_processing_function():
    # 编写自己的处理逻辑

将@timer与其他装饰器结合使用，可以全面地分析代码的性能。

2、@memoize: 缓存装饰器

在数据科学中，高频函数一定要避免重复计算，@memoize装饰器可记录缓存函数结果，避免冗余计算：

 def my_memoize(func):
    cache = {}
    def wrapper(*args):
        if args in cache:
            return cache[args]
        result = func(*args)
        cache[args] = result
        return result
    return wrapper

 @my_memoize
 def fibonacci(n):
    if n <= 1:
        return n
    return fibonacci(n - 1) + fibonacci(n - 2)

在递归函数中也可以使用@memoize来优化重复计算。

3、@validate_input: 校验装饰器

@validate_input装饰器可以校验函数参数，确保它们在继续计算之前符合特定的标准，可用于参数校验、登录等场景：

def my_validate_input(func):
    def wrapper(*args, **kwargs):
        # Your data validation logic here
        if valid_data:
            return func(*args, **kwargs)
        else:
            raise ValueError("无效输入数据，请进行检查.")
    return wrapper        

 @my_validate_input
 def analyze_data(data):
    # Your data analysis code here

4、@log_results：日志装饰器

通过记录中间结果，便于进行调试以进行问题分析定位、状态监控：

def my_log_results(func):
    def wrapper(*args, **kwargs):
        result = func(*args, **kwargs)
        with open("results.log", "a") as log_file:
            log_file.write(f"{func.__name__} - Result: {result}\n")
        return result
    return wrapper

 @my_log_results
 def calculate_metrics(data):
    # Your metric calculation code here

将@log_results与Python自带日志库结合使用，以获得更高级的日志功能。

5、@suppress_errors：异常处理装饰器

项目中的异常、错误会导致程序中断，破坏整个计算流程。@suppress_errors装饰器可以优雅地处理异常并继续执行:

 def suppress_errors(func):
    def wrapper(*args, **kwargs):
        try:
            return func(*args, **kwargs)
        except Exception as ex:
            print(f"Error in {func.__name__}: {ex}")
            return None
    return wrapper

 @suppress_errors
 def preprocess_data(data):
    # Your data preprocessing code here

@suppress_errors可以避免隐藏严重错误，还可以进行错误的详细输出，便于调试。

6、@validate_output：结果处理装饰器

对结果进行过滤，可降低分析成本，避免人力浪费，@validate_output装饰器可以帮助我们验证函数的输出，确保它在进一步处理之前符合特定的标准:

 def validate_output(func):
    def wrapper(*args, **kwargs):
        result = func(*args, **kwargs)
        if valid_output(result):
            return result
        else:
            raise ValueError("Invalid output. Please check your function logic.")
    return wrapper

 @validate_output
 def clean_data(data):
    # Your data cleaning code here

这样可以始终为验证函数输出定义明确的标准。

7、@retry：重试装饰器

硬件不可靠、接口不可靠导致的超时，会导致程序返回错误，加上重试机制可以保证程序更大的弹性：

 import time
 
 def retry(max_attempts, delay):
    def decorator(func):
        def wrapper(*args, **kwargs):
            attempts = 0
            while attempts < max_attempts:
                try:
                    return func(*args, **kwargs)
                except Exception as e:
                    print(f"Attempt {attempts + 1} failed. Retrying in {delay} seconds.")
                    attempts += 1
                    time.sleep(delay)
            raise Exception("Max retry attempts exceeded.")
        return wrapper
    return decorator

 @retry(max_attempts=3, delay=2)
 def fetch_data_from_api(api_url):
    # Your API data fetching code here

使用@retry时应避免过多的重试，否则无法保证程序的可靠性。

8、@visualize_results：漂亮的可视化

@visualize_results装饰器数据分析中自动生成漂亮的可视化结果

 import matplotlib.pyplot as plt
 
 def visualize_results(func):
    def wrapper(*args, **kwargs):
        result = func(*args, **kwargs)
        plt.figure()
        # Your visualization code here
        plt.show()
        return result
    return wrapper

 @visualize_results
 def analyze_and_visualize(data):
    # Your combined analysis and visualization code here

9、@debug：调试装饰器

调试复杂的代码可能非常耗时。@debug装饰器可以打印函数的输入参数和它们的值，以便于调试：

 def debug(func):
    def wrapper(*args, **kwargs):
        print(f"Debugging {func.__name__} - args: {args}, kwargs: {kwargs}")
        return func(*args, **kwargs)
    return wrapper

 @debug
 def complex_data_processing(data, threshold=0.5):
    # Your complex data processing code here

10、@deprecated：失效函数装饰器

随着我们的项目更新迭代，一些函数可能会过时。@deprecated装饰器可以在一个函数不再被推荐时通知用户：

 import warnings
 
 def deprecated(func):
    def wrapper(*args, **kwargs):
        warnings.warn(f"{func.__name__} is deprecated and will be removed in future versions.", DeprecationWarning)
        return func(*args, **kwargs)
    return wrapper

 @deprecated
 def old_data_processing(data):
    # Your old data processing code here

装饰器是Python的高阶特性，可用于工作中的诸多场景，极大提升程序的健壮性（主要是个人技术魅力），类似于Java中的代理机制，如校验、缓存、日志、权限控制等场景。

附录

      创作不易，觉得对你有用的话，可以点赞、关注我哦，我会经常分享自己学的小知识，避免大家浪费时间。

代做领域包括：全栈web项目、最大功率点跟踪（恒电压法、电导增量法、爬山法、智能算法等）、并网逆变器控制、多目标优化算法（灰狼算法、粒子群、麻雀、哈里斯鹰、布谷鸟等等）、图像处理算法（MATLAB GUI等）、嵌入式、配电网无功优化（IEEE33、21、44节点等）等。

需要的同学私聊我~