Python之functools模块的学习

import functools
# partial方法
    #偏函数 把函数部分的参数固定下来，相当于为部分的参数添加了一个固定的默认值 形成一个新的函数并返回
    #从partial生成的新函数，是对原函数的封装
def add(x,y):
    ret = x + y
    print(ret)
    return ret

import inspect
print(inspect.signature(add))

newadd = functools.partial(add,y=6)

newadd(4)


def old_partial(func, *args, **keywords):
    def newfunc(*fargs, **fkeywords):
        newkeywords = keywords.copy()
        newkeywords.update(fkeywords)
        return func(*(args+fargs), **newkeywords)
    newfunc.func = func
    newfunc.args = args
    newfunc.keywords =keywords
    return newfunc

"""
    @functools.lru_cache(maxsize=128,typed=False)
    Least-recently-used装饰器。lru，最近最少使用。cache缓存
    如果maxsize设置为none，则禁用LRU功能  并且缓存可以无限制增长。当maxsize是二的幂时，LRU功能执行最好
    如果type的设置为True 则不同类型的函数参数将单独缓存。例如 f(3)和f(3.0)将被视为不同结果的不同调用
"""

import time
@functools.lru_cache()
def add(x,y=5):
    time.sleep(3)
    ret = x+y
    print(ret)
    return ret


print(add(4))
print(add(4))
print(add(4,6))
# 缓存的机制：字典保存  列表遍历O(n)
# lru_cache装饰器
    #通过一个字典缓存被装饰函数的调用和返回值
    #key是什么
    # 缺点 不支持缓存过期，key无法过期 不支持清楚操作 不支持分布式，是一个单机的缓存 适用场景 单机上需要空间换时间的地方 

@functools.lru_cache()
def fib(n):
    if n<2:
        return n
    return fib(n-1)+fib(n-2)
print([fib(x) for x in range(10)])