四时宝库

程序员的知识宝库

2024年07月19日

python中的函数增强神器functools模块


functools是一个函数增强器，主要为高阶函数使用，作用于或者返回其他函数的函数，通常任何可调用的对象都可视为“函数”。主要包括以下几个函数：

cached_property

将类的方法转换为属性，该属性的值将被计算一次，然后在实例生命周期中作为常规属性进行缓存。 与property()类似，但增加了缓存，对于计算复杂的属性很有用。cached_property在Python3.8之前的很多第三方库当中都有自己的实现，比如werkzeug.utils.cached_property、django.utils.functional.cached_property

举例如下：

# 在没有cached_property之前定义类属性
class DataSet:
    def __init__(self):
        self._data = None

    @property
    def data(self):
        print('开始计算数据')
        if not self._data:
            # 计算data数据
            self._data = 10 * 10
            print('计算data数据')
        return self._data

obj = DataSet()
print(obj.data)
# 输出
开始计算数据
计算data数据
100

print(obj.data)
# 输出
开始计算数据
100

使用变量记录属性数据，并在属性计算是进行判断，防止计算多次

from functools import cached_property
class DataSet:
    @cached_property
    def data(self):
        print('开始计算数据')
        return 10 * 10

obj = DataSet()
print(obj.data)
# 输出：
开始计算数据
100

print(obj.data)
# 输出：
100

可以看到，data属性函数只被计算了一次，而且无需额外定义变量计算。cached_property同时具有线程安全，在多线程中不会存在多次计算的问题。另外不支持python中的异步编程：asyncio。注意这个特性是在Python3.8中新增的。

cmp_to_key

将旧式比较功能转换为键功能。 与接受关键功能的工具（例如sorted()，min()，max()，heapq.nlargest()，heapq.nsmallest()，itertools.groupby()）一起使用。 该函数主要用作从Python 2转换而来的程序的转换工具，该程序支持使用比较函数。

比较函数是任何可调用的函数，它们接受两个参数进行比较，小于返回一个负数，等于返回零，大于返回一个正数。 键函数是一个可调用的函数，它接受一个参数并返回另一个值用作排序键。

from functools import cmp_to_key

l = [
    {
        'name': 'Tom',
        'age': 12
    },
    {
        'name': 'Join',
        'age': 52
    },
    {
        'name': 'Jeke',
        'age': 23
    }
]

def compare_func(a, b):
    if a.get('age') > b.get('age'):
        return 1 #必须返回正数，不能是True
    else:
        return -1 #必须返回负数，不能是False


print(sorted(l, key=cmp_to_key(compare_func)))
# 输出：
[{'name': 'Tom', 'age': 12}, {'name': 'Jeke', 'age': 23}, {'name': 'Join', 'age': 52}]

在python2中sorted的函数原型是：sorted(iterable, cmp=None, key=None, reverse=False)，参数中包含一个cmp参数，来提供让我们传入一个自定义函数的参数，但是python3 中的sorted函数原型是：sorted(iterable, /, *, key=None, reverse=False)，这里出现了/,*两个符号，上一篇我们介绍过，主要是后面没有了cmp参数，自定义函数排序就很不方便。这时候functools.cmp_to_key就为我们提供了这样一个自定义函数排序方式，将函数转换为键功能-key

lru_cache

缓存装饰器，根据参数缓存每次函数调用结果，对于相同参数的，无需重新函数计算，直接返回之前缓存的返回值

  • 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是2的幂时，LRU功能执行得最好；
  • 如果 typed设置为True, 则不同类型的函数参数将单独缓存。例如，f(3)和f(3.0)将被视为具有不同结果的不同调用；
  • 缓存是有内存存储空间限制的；
    • def a(x):
    print(x)
    return x+1

print(a())
# 输出：
3
4

print(a())
# 输出：
3
4

    不使用缓存记录，每次都重新执行函数计算

    from functools import lru_cache

@lru_cache()
def a(x):
    print(x)
    return x+1

print(a(3))
# 输出
3
4

print(a(3))
# 输出
4

print(a(4))
# 输出
4
5

    使用缓存记录后，第一次a(3)调用，计算了数据后会进行缓存，第二次a(3)调用，因为参数相同，所以直接返回缓存的数据，第三次a(4)调用，因为参数不同，需要重新计算

    partial

    偏函数，可以扩展函数功能，但是不等于装饰器，通常应用的场景是当我们要频繁调用某个函数时，其中某些参数是已知的固定值，通常我们可以调用这个函数多次，但这样看上去似乎代码有些冗余，而偏函数的出现就是为了很少的解决这一个问题。

    举一个简单的例子：

    def add(a, b, c, x=1, y=2, z=3):
    return sum([a, b, c, x, y, z])

print(add(1, 2, 3, x=1, y=2, z=3))
#输出
12

    如果我们频繁调用此函数，并且固定传入某些参数，比如b=20, x=100

    from functools import partial

def add(a, b, c, x=1, y=2, z=3):
    print(a, b, c, x, y, z)
    return sum([a, b, c, x, y, z])

add_100 = partial(add, 20, x=100)
print(add_100(1, 2, y=2, z=3))
# 输出
20 1 2 100 2 3
128

    在进行函数重新定义时，如果需要固定非关键字参数，那么默认定义的是第一个非关键字参数；如果需要固定关键字参数，直接指定关键字即可。

    实际上偏函数的使用更多是在回调函数时使用，举例如下：

    register_func = []

def call_back(n):
    print('call_back: ', n)

def call_back1(n, m):
    print('call_back1: ', n, m)

# 注册回调函数
register_func.append((call_back, 10))
register_func.append((call_back1, 100, 200))

# 执行回调函数
for item in register_func:
    func = item[0]
    args = item[1:]
    func(*args)

# 输出
call_back:  10
call_back1:  100 200

    上面我们在注册回调函数的时候，需要记录函数名和各个参数，非常不方便，如果使用偏函数进行修饰

    from functools import partial

register_func = []

def call_back(n):
    print('call_back: ', n)

def call_back1(n, m):
    print('call_back1: ', n, m)

call_back_partial = partial(call_back, 10)
call_back_partial1 = partial(call_back1, 100, 200)

# 注册回调函数
register_func.append(call_back_partial)
register_func.append(call_back_partial1)

# 执行回调函数
for func in register_func:
    func()

# 输出
call_back:  10
call_back1:  100 200

    对比上面的方式，偏函数定义的优势在哪里呢？

    • 注册回调函数时，我们是知道函数参数的，所以在此使用偏函数很简单、很方便
    • 使用偏函数后，注册回调函数和调用回调函数那里都使用完全固定的写法，无论传入的是固定参数、非固定参数或者关键字参数
    • 相对于上面一点，只需要在注册的时候使用偏函数重新生成一个回调函数

    这在回调函数的使用中是非常频繁、方便，而且爽就一个字

    reduce

    函数原型如下：

    def reduce(function, iterable, initializer=None):
    it = iter(iterable)
    if initializer is None:
        value = next(it)
    else:
        value = initializer
    for element in it:
        value = function(value, element)
    return value

    可以看到实际执行是将迭代器iterable中每一个元素传入function函数进行累计计算，并将最终值返回。一个简单的使用示例：

    a=[1,3,5]
b=reduce(lambda x,y:x+y,a)
print(b)
# 输出
9

    将a列表传入匿名函数进行累加计算

    singledispatch

    python函数重载，直接举例来说明

    def connect(address):
    if isinstance(address, str):
        ip, port = address.split(':')
    elif isinstance(address, tuple):
        ip, port = address
	  else:
        print('地址格式不正确')

# 传入字符串
connect('123.45.32.18:8080')

# 传入元祖
connect(('123.45.32.18', 8080))

    简单来说就是address可能是字符串，也可能是元组，那么我们就需要在函数内进行单独处理，如果这种类型很多呢？那就需要if...elif...elif...elif..esle...，写起来非常不美观，而且函数的可读性也会变差。

    学过C++和Java的同学都知道函数重载，同样的函数名，同样的参数个数，不同的参数类型，实现多个函数，程序运行时将根据不同的参数类型自动调用对应的函数。python也提供了这样的重载方式

    from functools import singledispatch

@singledispatch
def connect(address):
    print(f'传入参数类型为：{type(address)}, 不是有效的类型')

@connect.register
def connect_str(address: str):
    ip, port = address.split(':')
    print(f'参数为字符串，IP是{ip}, 端口是{port}')

@connect.register
def connect_tuple(address: tuple):
    ip, port = address
    print(f'参数为元组，IP是{ip}, 端口是{port}')

connect('123.45.32.18:8080')
# 输出
参数为字符串，IP是123.45.32.18, 端口是8080

connect(('123.45.32.18', '8080'))
# 输出
参数为元组，IP是123.45.32.18, 端口是8080

    先使用singledispatch装饰器修饰connect函数，然后使用connect.register装饰器注册不同参数类型的函数（函数名可以随意，甚至不写，使用_代替），在调用的时候就会默认按照参数类型调用对应的函数执行。

    total_ordering

    定义一个类，类中定义了一个或者多个比较排序方法，这个类装饰器将会补充其余的比较方法，减少了自己定义所有比较方法时的工作量；

    被修饰的类必须至少定义 __lt__()， __le__()，__gt__()，__ge__()中的一个，同时，被修饰的类还应该提供 __eq__()方法。简单来说就是只需要重载部分运算符，装饰器就会自动帮我们实现其他的方法。

    class Person:
    # 定义相等的比较函数
    def __eq__(self, other):
        return ((self.lastname.lower(), self.firstname.lower()) ==
                (other.lastname.lower(), other.firstname.lower()))

    # 定义小于的比较函数
    def __lt__(self, other):
        return ((self.lastname.lower(), self.firstname.lower()) <
                (other.lastname.lower(), other.firstname.lower()))

p1 = Person()
p2 = Person()

p1.lastname = "123"
p1.firstname = "000"

p2.lastname = "1231"
p2.firstname = "000"

print(p1 < p2)
print(p1 <= p2)
print(p1 == p2)
print(p1 > p2)
print(p1 >= p2)

# 输出
True
Traceback (most recent call last):
  File "/Volumes/Code/Python工程代码/Python基础知识/特殊特性学习/test.py", line 31, in <module>
    print(p1 <= p2)
TypeError: '<=' not supported between instances of 'Person' and 'Person'

    报错在p1 <= p2这一行，提醒我们在Person对象之间不支持<=符号，使用total_ordering装饰器修饰以后。

    from functools import total_ordering

@total_ordering
class Person:
    # 定义相等的比较函数
    def __eq__(self, other):
        return ((self.lastname.lower(), self.firstname.lower()) ==
                (other.lastname.lower(), other.firstname.lower()))

    # 定义小于的比较函数
    def __lt__(self, other):
        return ((self.lastname.lower(), self.firstname.lower()) <
                (other.lastname.lower(), other.firstname.lower()))

p1 = Person()
p2 = Person()

p1.lastname = "123"
p1.firstname = "000"

p2.lastname = "1231"
p2.firstname = "000"

print(p1 < p2)
print(p1 <= p2)
print(p1 == p2)
print(p1 > p2)
print(p1 >= p2)

# 输出
True
True
False
False
False

    只在类上面增加了total_ordering装饰器，就可以完美支持所有的比较运算符了

    wraps

    python中的装饰器是“接受函数为参数，以函数为返回值”。但是装饰器函数也会有一些负面影响。我们来看一下例子：

    # 普通函数
def add(x, y):
    return x + y

print(add.__name__)
# 输出
add


# 装饰器函数
def decorator(func):
    def wrapper(*args, **kwargs):
        return func(*args, **kwargs)
    return wrapper

@decorator
def add(x, y):
    return x + y
print(add.__name__)
# 输出
wrapper

    可以看到函数名发生了变化，变为装饰器函数中的wrapper，除了__name__属性外还有其他属性，定义在WRAPPER_ASSIGNMENTS和WRAPPER_UPDATES变量中，包括__module__、__name__、 __qualname__、__doc__、__annotations__、__dict__。在很多情况下，我们需要对函数进行针对性处理，必须获取函数的模块属性进行处理，这个时候，就必须消除这种负面影响。functools.wraps就为我们解决了这个问题。

    from functools import wraps

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

@decorator
def add(x, y):
    return x + y

print(add.__name__)
# 输出
add

    即使使用了装饰器修饰，我们仍然能获取到原函数的属性

    update_wrapper

    update_wrapper 的作用与 wraps 类似，不过功能更加强大，换句话说，wraps 其实是 update_wrapper 的特殊化，实际上 wraps(wrapped) 的函数源码为：

    def wraps(wrapped, assigned = WRAPPER_ASSIGNMENTS, updated = WRAPPER_UPDATES):
    return partial(update_wrapper, wrapped=wrapped, assigned=assigned, updated=updated)

    使用方式：

    from functools import update_wrapper

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

@decorator
def add(x, y):
    return x + y

print(add.__name__)
# 输出
add

    注意：wraps和update_wrapper是专为装饰器函数所设计，而且强烈建议在定义装饰器时进行修饰

    （此处已添加圈子卡片，请到今日头条客户端查看）

    标签：pythongroup()函数 

    作者:sishi88 , 分类:技术教程 , 浏览:17 , 评论:0

    发表评论:

    控制面板
    您好，欢迎到访网站！
      查看权限
    网站分类
    最新留言
      友情链接