Python中怎样使用functools模块？

functools模块是Python中用于增强函数功能与灵活性的工具集，主要通过partial函数和lru_cache装饰器实现参数预设与结果缓存，以下为具体用法及注意事项：

partial用于固定原函数的部分参数，生成一个新函数，减少重复代码。

• 基本用法

  from functools import partialdef power(base, exponent): return base exponentsquare = partial(power, exponent=2) # 预设exponent=2print(square(3)) # 输出: 9（等价于power(3, 2)）

  适用场景：当函数需多次调用且部分参数固定时（如日志记录、数据格式化）。

• 实际应用示例：日志记录器

  import loggingfrom functools import partiallogger = logging.getLogger(__name__)debug_log = partial(logger.debug, extra={'user': 'admin'}) # 预设extra参数debug_log("Access attempt") # 输出日志时自动附加{'user': 'admin'}

  优势：避免重复传递相同参数，提升代码简洁性。

• 注意事项

  可读性：预设参数过多时，新函数名应清晰表达意图（如square而非partial_power）。

  参数顺序：partial按位置固定参数，若需按关键字固定，需显式指定（如exponent=2）。

lru_cache通过缓存函数调用结果避免重复计算，适合递归或高频调用场景。

• 基本用法

  from functools import lru_cache@lru_cache(maxsize=None) # 无缓存大小限制def fibonacci(n): if n < 2: return n return fibonacci(n-1) + fibonacci(n-2)print(fibonacci(100)) # 首次计算后，后续调用直接返回缓存结果

  参数说明：

  maxsize：缓存最大条目数（None表示无限制）。

  typed：若为True，区分参数类型（如3和3.0视为不同键）。

• 适用场景

  递归函数：如斐波那契数列、阶乘计算。

  高频调用且输入有限：如数据库查询结果复用。

• 注意事项

  内存消耗：缓存会占用内存，maxsize需根据实际需求设置（如maxsize=128）。

  不可变参数：缓存键基于参数值生成，因此参数需为不可变类型（如整数、字符串、元组）。

  副作用：若函数有副作用（如修改全局变量），缓存可能导致逻辑错误，应避免使用。

• wraps装饰器：保留原函数的元数据（如__name__、__doc__）。

  from functools import wrapsdef log_time(func): @wraps(func) def wrapper(*args, kwargs): start = time.time() result = func(*args, kwargs) print(f"{func.__name__} executed in {time.time()-start:.2f}s") return result return wrapper

• cmp_to_key函数：将比较函数转换为key函数，用于排序。

  from functools import cmp_to_keydef compare(a, b): return a - bsorted_list = sorted([3, 1, 2], key=cmp_to_key(compare)) # 结果为[1, 2, 3]

• 性能与可读性平衡：优先使用lru_cache优化热点代码，但需监控内存使用；partial应确保新函数名直观。
• 缓存策略：对递归函数默认启用lru_cache，对数据库查询等设置合理的maxsize。
• 调试辅助：结合wraps保留函数信息，便于日志和调试。

functools模块通过提供高阶函数工具，显著提升了Python代码的灵活性与效率。合理使用partial和lru_cache，可在简化代码的同时优化性能，但需根据场景权衡利弊。