functools模块
reduce方法
- reduce,顾名思义就是减少
- reduce(function,sequence[,initial])->value
- 可迭代对象不能为空;初始值没提供就在可迭代对象中取一个元素
from functools import reduce
print(reduce(lambda x,y:x+y,range(5)))
partial方法
- 偏函数,把函数部分的参数固定下来,相当于为部分的参数添加了一个固定的默认值,形成一个新的函数并返回
- 从partial生成的新函数,是对原函数的封装
partial方法举例
import functools
def add(x,y,*args)->int:
peint(args)
return x+y
newadd = functools.partial(add,1,3,5,6)
print(newadd(8))
print(newadd(7,10))
import inspect
print(inspect.signature(newadd))
partial函数本质
def partial(func, *args, **keywords):
def newfunc(*fargs, **fkeywords): #包装函数
newkeywords = keywords.copy()
newkeywords.update(fkeywords)
return func(*args, *fargs, **newkeywords)
newfunc.func = func #保留原函数
newfunc.args = args #保留原函数的位置参数
newfunc.keywords = keywords #保留原函数的关键字参数
return newfunc
def add(x,y):
return x+y
foo = partial(add,4)
foo(5)
functools.update_wrapper
- 类似copy_properties功能
- wrapper包装函数 被更新者,wrapped被包装函数 数据源
- 元组assigned = WRAPPER_ASSIGNMENTS中要被覆盖的属性
‘module’,‘name’,‘qualname’,‘doc’,'annotations’模块名 名称 限定名 文档 参数注解 - 元组WPAPPER_UPDATES中是要被更新的属性,__dict__属性字典
- 增加一个__wrapped__属性,保留着wrapped函数
def update_wrapper(wrapper,
wrapped,
assigned = WRAPPER_ASSIGNMENTS,
updated = WRAPPER_UPDATES):
ction (defaults to functools.WRAPPER_UPDATES)
for attr in assigned:
try:
value = getattr(wrapped, attr)
except AttributeError:
pass
else:
setattr(wrapper, attr, value)
for attr in updated:
getattr(wrapper, attr).update(getattr(wrapped, attr, {}))
wrapper.__wrapped__ = wrapped
return wrapper
@functools.wraps(wrapped, assigned = WRAPPER_ASSIGNMENTS,updated = WRAPPER_UPDATES)
- 类似copy_properties功能
- wrapped被包装函数
- 元组assigned = WRAPPER_ASSIGNMENTS中要被覆盖的属性
‘module’,‘name’,‘qualname’,‘doc’,'annotations’模块名 名称 限定名 文档 参数注解 - 元组WRAPPER_UPDATES中是要被更新的属性,__dict__属性字典
- 增加一个__wrapped__属性,保留着wrapped函数
def wraps(wrapped,
assigned = WRAPPER_ASSIGNMENTS,
updated = WRAPPER_UPDATES):
return partial(update_wrapper, wrapped=wrapped,
assigned=assigned, updated=updated)
@functools.lru_cache(maxsize=128,typed=False)
- Least-recently-used装饰器.lru,最近最少使用.cache缓存
- 如果maxsize设置为None,则禁用LRU功能,并且缓存可以无限制增长.当maxsize时二的幂时,LRU功能执行的最好
- 如果typed设置为True,则不同类型的函数的参数将单独缓存.例如,f(3)和f(3.0)将被视为具有不同结果的不同调用
import functools
import time
@functools.lru_cache()
def add(x,y,z=3)
time.sleep(z)
return x+y
add(4,5)
lru_cache装饰器
- 通过一个字典缓存被装饰器函数的调用和返回值
- key是什么?
functools._make_key((4,6),{},False)
functools._make_key((4,6),{'z':3},False)
functools._make_key((),{'x':2,'y':3},True)
lru_cache装饰器应用
- 使用前提
同样的函数参数一定得到同样的结果
函数执行时间很长,且要措辞执行 - 本质时函数调用的参数=>返回值
- 缺点
不支持缓存过期,key无法过期 失效
不支持清楚操作
不支持分布式,是一个的单机的缓存 - 适用场景,单机需要空间换时间的地方,可以用缓存来将计算变成快速的查询