4. Python 函数式编程之 functools 模块初体验

港控/mmm° 2022-09-10 15:18 94阅读 0赞

本篇博客为你说明 `functools` 模块中用于创建，修改函数的高阶函数。

## partial 函数 ##

`partial` 为偏函数（有的地方也叫做**部分应用函数**），它是对函数的二次封装，将现有函数的部分参数提前绑定为指定值，然后再进行计算。

由于偏函数的可变参数少，因此函数调用的难度低。

直接展示代码：

from functools import partial
    
    
    # 原函数声明
    def show(name, level):
        print("name:", name, "level:", level)
    
    
    # 定义偏函数，封装 show() 函数，并为 name 参数设置了默认参数
    show_level = partial(show, name='橡皮擦')
    # 由于 name 参数已经有默认值，调用偏函数时，name 可以不指定
    show_level(level="9级")

上述代码就是使用 `partial` 函数，将一个函数的某些参数（案例中是 `name`）进行了固定（相当于提供了默认值），然后再返回一个新的函数，新函数参数也进行了减少。

还有一点是上述代码在调用 `show_level` 函数时，必须使用关键字参数形式给 `level` 进行传值，否则会出现 `TypeError` 错误，如下所示：

# 代码写成下述内容
    show_level("9级")
    # 异常如下
    TypeError: show() got multiple values for argument 'name'

偏函数也可以通过匿名函数实现，例如下述代码：

# 原函数声明
    def show(name, level):
        print("name:", name, "level:", level)
    
    
    show_level = lambda y: show("橡皮擦", y)
    
    show_level("9级")

使用 `timeit` 运行 10 万次，测试一下二者的时间基本没有太大差异，所以可以互通使用，不过匿名函数还是实现一些相对简单的函数。

## 装饰器 @lru\_cache ##

给函数添加 `@lru_cache` 装饰器，可以加快函数的运行，`lru` 指最近使用的计算结果会保留在缓存中。

该装饰器的原型如下：

@functools.lru_cache(maxsize=None, typed=False)

*  `maxsize`：最多缓存的次数，如果为 None，则无限制，设置为 2n 时，性能最佳；
 *  `typed`：如果设置为 True（注意，在 functools32 中没有此参数），则不同参数类型的调用将分别缓存，例如 f(3) 和 f(3.0)。

接下来通过菲波那切数列的递归展示有无 `lru_cache` 的区别。

from functools import lru_cache
    import timeit
    
    @lru_cache()
    def factorial(n):
        return 1 if n <= 1 else n * factorial(n - 1)
    
    a = timeit.timeit(stmt="factorial(20)", setup='from __main__ import factorial', number=100000)
    print(a)

*  不带 `lru_cache` 耗时：0.2；
 *  带 耗时：0.06

差异明显，这是因为每次执行 `factorial` 时，都会检查由装饰器维护的缓存池，如果值存在，直接获取对应的结果，避免重复计算。

一般的结论是，对于需要重复计算同一组值的应用，使用装饰器 `@lru_cache` 可以大幅度提升性能。

## reduce 函数 ##

`reduce` 函数也是高阶函数，它可以将可迭代对象中相邻的两个值通过指定函数结合在一起，因此 `sum`，`len`，`max`，`min` 都可以看做是 `reduce` 函数的特殊形式。

reduce 函数的定义：

reduce(function, sequence [, initial] ) -> value

`function参数`：是一个有两个参数的函数，`reduce` 依次从 `sequence` 中取一个元素，和上一次调用 `function` 的结果做参数再次调用 `function`。如果第一次没有指定 `initial`，则默认使用 `sequence` 的第一个元素与下一个元素一同传入二元 `function` 函数中去执行。

读起来有点绕，直接看案例即可。

from functools import reduce
    
    def add(x, y):
        return x + y
    
    a = reduce(add, [1, 2, 3, 4])
    print(a)

`initial` 参数表示初始值，默认情况下是使用序列的第一个值。

from functools import reduce
    
    a = reduce(lambda x, y: x + y, [1, 2, 3, 4], 2)
    print(a)

下面为大家展示如何使用 `reduce` 实现 `sum`，`len` 等函数。

from functools import reduce
    
    data = [1, 2, 3, 4]
    
    sum = lambda data: reduce(lambda x, y: x + y, data, 0)
    count = lambda data: reduce(lambda x, y: x + 1, data, 0)
    
    min = lambda data: reduce(lambda x, y: x if x < y else y, data)
    
    a = sum(data)
    b = count(data)
    c = min(data)
    print(a, b, c)

还可以使用 `reduce` 函数与 `partical` 函数实现 `sum` 函数，代码如下：

from functools import reduce, partial
    
    data = [1, 2, 3, 4]
    
    sum = partial(reduce, lambda x, y: x + y)
    a = sum(data)
    print(a)

## 写在后面 ##

以上内容就是本文的全部内容。

> 今天是持续写作的第 219 / 365 天。  
> 可以关注，点赞、评论、收藏。

**更多精彩**

*  [滚雪球学 Python（完结）][Python]
 *  [滚雪球学 Python 第二轮（完结）][Python 1]
 *  [滚雪球学 Python 第三轮][Python 2]
 *  [滚雪球学 Python 番外篇（完结）][Python 3]

[Python]: https://blog.csdn.net/hihell/category_10573584.html
[Python 1]: https://blog.csdn.net/hihell/category_10763952.html
[Python 2]: https://blog.csdn.net/hihell/category_10901284.html
[Python 3]: https://blog.csdn.net/hihell/category_10656235.html