Python 官方文档：入门教程 => 点击学习
目录partial 函数装饰器 @lru_cachereduce 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
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：
# 代码写成下述内容
show_level("9级")
# 异常如下
TypeError: show() got multiple values for argument 'name'
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。
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)
lru_cache 耗时：0.2；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)
以上就是python编程functools模块中创建修改函数的高阶函数解析的详细内容，更多关于Python编程functools模块创建修改的高阶函数的资料请关注编程网其它相关文章！
--结束END--
本文标题: Python编程functools模块创建修改的高阶函数解析
本文链接: https://www.lsjlt.com/news/135546.html(转载时请注明来源链接)
有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341
下载Word文档到电脑，方便收藏和打印～
2024-03-01
2024-03-01
2024-03-01
2024-02-29
2024-02-29
2024-02-29
2024-02-29
2024-02-29
2024-02-29
2024-02-29
回答
回答
回答
回答
回答
回答
回答
回答
回答
回答
官方手机版
微信公众号
商务合作
0