97av麻豆蜜桃一区二区,www.青青操,麻豆爱爱

partial 函數

partial 為偏函數（有的地方也叫做部分應用函數），它是對函數的二次封裝，將現有函數的部分參數提前綁定為指定值，然后再進行計算。

由于偏函數的可變參數少，因此函數調用的難度低。

直接展示代碼：

				?

									from functools import partial

									# 原函數聲明

									def show(name, level):

									    print("name:", name, "level:", level)

									# 定義偏函數，封裝 show() 函數，并為 name 參數設置了默認參數

									show_level = partial(show, name='橡皮擦')

									# 由于 name 參數已經有默認值，調用偏函數時，name 可以不指定

									show_level(level="9級")

上述代碼就是使用 partial 函數，將一個函數的某些參數（案例中是 name）進行了固定（相當于提供了默認值），然后再返回一個新的函數，新函數參數也進行了減少。

還有一點是上述代碼在調用 show_level 函數時，必須使用關鍵字參數形式給 level 進行傳值，否則會出現 TypeError 錯誤，如下所示：

				?

									# 代碼寫成下述內容

									show_level("9級")

									# 異常如下

									TypeError: show() got multiple values for argument 'name'

偏函數也可以通過匿名函數實現，例如下述代碼：

				?

									# 代碼寫成下述內容

									show_level("9級")

									# 異常如下

									TypeError: show() got multiple values for argument 'name'

使用 timeit 運行 10 萬次，測試一下二者的時間基本沒有太大差異，所以可以互通使用，不過匿名函數還是實現一些相對簡單的函數。

裝飾器 @lru_cache

給函數添加 @lru_cache 裝飾器，可以加快函數的運行，lru 指最近使用的計算結果會保留在緩存中。

該裝飾器的原型如下：

				?

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

maxsize：最多緩存的次數，如果為 None，則無限制，設置為 2n 時，性能最佳；

typed：如果設置為 True（注意，在 functools32 中沒有此參數），則不同參數類型的調用將分別緩存，例如 f(3) 和 f(3.0)。

接下來通過菲波那切數列的遞歸展示有無 lru_cache 的區別。

				?

									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)

不帶 lru_cache 耗時：0.2；
帶耗時：0.06

差異明顯，這是因為每次執行 factorial 時，都會檢查由裝飾器維護的緩存池，如果值存在，直接獲取對應的結果，避免重復計算。

一般的結論是，對于需要重復計算同一組值的應用，使用裝飾器 @lru_cache 可以大幅度提升性能。

reduce 函數

reduce 函數也是高階函數，它可以將可迭代對象中相鄰的兩個值通過指定函數結合在一起，因此 sum，len，max，min 都可以看做是 reduce 函數的特殊形式。

reduce 函數的定義：

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

function參數：是一個有兩個參數的函數，reduce 依次從 sequence 中取一個元素，和上一次調用 function 的結果做參數再次調用 function。

如果第一次沒有指定 initial，則默認使用 sequence 的第一個元素與下一個元素一同傳入二元 function 函數中去執行。

讀起來有點繞，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 參數表示初始值，默認情況下是使用序列的第一個值。

				?

									from functools import reduce

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

									print(a)

下面為大家展示如何使用 reduce 實現 sum，len 等函數。

				?

									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)

還可以使用 reduce 函數與 partical 函數實現 sum 函數，代碼如下：

				?

									from functools import reduce, partial

									data = [1, 2, 3, 4]

									sum = partial(reduce, lambda x, y: x + y)

									a = sum(data)

									print(a)