functools 库包含许多实用的函数操作工具，并且它们都是高阶函数。
常用函数
lru_cache：缓存结果
@lru_cache(maxsize) 装饰器能保存已有计算结果，从而加快函数运行，其中 LRU 指最近使用的(least recent used) 。该装饰器会将最近得到的计算结果保留在缓存中，并在必要时清除不常用的计算结果。
例如，以下是使用缓存改进后的递归形式的斐波那契数列函数：
接下来在 IPython 环境中对有无缓存的情况测试执行效率，结果为：
...: return fibonacci(34)
...: def fibonacci_with_cache():
...: fibonacci_cached.cache_clear()
...: return fibonacci_cached(34)
In [2]: %timeit fibonacci_without_cache
2.12 s ± 7.21 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
In [3]: %timeit fibonacci_with_cache
12.6 µs ± 67.8 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
注意，不能直接使用 %timeit 命令测试函数，因为它会多次执行取平均时间，而第一次执行后由于缓存的存在使后续结果直接从缓存中获取，干扰测试效果。因此，每次测试后都通过装饰器的 .cache_clear() 方法清空缓存。
从测试结果中可以看出，缓存的存在极大提升了递归函数的执行效率。
partial：冻结参数
partial(func, /, *args, **kwargs) 可以将函数的部分参数固定，得到一个新的函数。
例如，如果想要设置打开一个文件时，永远是以 UTF-8 编码的形式打开，那么可以使用 partial 将 open() 函数的 encoding 参数固定，形成一个新的函数：
这样每次确保都是以 UTF-8 编码对文件操作的：
partial() 非常适用于冻结高阶函数的函数参数，这种情况下，可以提前写好一个函数，从而让一个比较泛化的高阶函数具有更具体的功能，例如：
该装饰器的本质就是给一部分参数提前赋值，也可以使用匿名函数实现类似的效果。
singledispatch：单分派
@singledispatch 装饰器可以根据参数的类型指定不同的函数，可以在一定程度上使用泛型。
例如，假设要实现一个函数 scale(data, scalar) ，将数据缩放。但是传入的数据可能是一个数值，也可能是一个数组。那么就需要在函数内判断传入数据的类型。
@singledispatch 装饰器则可以简化判断的流程，它可以根据参数类型的不同，指定调用不同的函数。为了实现这一点，需要先将目标函数装饰起来：
然后调用目标函数的 @.register(type) 方法作为装饰器，将不同类型的参数导向不同的函数：
此时，如果传入的参数类型不同，那么就会被不同的函数调用了：
1.4
>>> scale(list(range(10)), 0.3)
[0.0, 0.3, 0.6, 0.8999999999999999, 1.2, 1.5, 1.7999999999999998, 2.1, 2.4, 2.6999999999999997]
如果对一个分派函数同时使用多个装饰器，那么这些类型的参数都会汇合到这个函数中：
Python3.7 对该函数做了一些改进，如果已经提供了类型注解，那么可以直接使用方法对象作为装饰器，即 @scale.register 这种不调用的形式。
这种单分派函数可以在一定程度上实现函数签名效果，但可惜的是它只支持一个参数。
除此之外，functools 还包含一系列其它的高阶函数，例如第 4 节中介绍到的 reduce() 函数、在介绍面向对象编程时装饰类的 @total_ordering 装饰器、Python3.9 新增的 @cache 装饰器，以及以上提到的装饰器都有用于方法的改版。更多标准库的介绍可以参阅 Python 标准库官方文档。
参考资料
https://docs.python.org/3/library/functools.html
Python3 标准库 functools 官方文档
近期评论