functools模块

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