functools模块（partial，lru_cache装饰器）

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。

import functools

def add(x, y) -> int:
    return x + y

newadd = functools.partial(add, y=5)

print(newadd(7))
print(newadd(7, y=6))
print(newadd(y=10, x=6))

import inspect
print(inspect.signature(newadd))

结果为：

12
13
16
(x, *, y=5) -> int

import functools

def add(x, y, *args) -> int:
    print(args)
    return x + y

newadd = functools.partial(add, 1,3,6,5)

print(newadd(7))
print(newadd(7, 10))
print(newadd(9, 10, y=20, x=26)) #
print(newadd())

import inspect
print(inspect.signature(newadd))


结果为：

(6, 5, 7)
4
(6, 5, 7, 10)
4
---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-148-942fbd3d1b1e> in <module>
      9 print(newadd(7))
     10 print(newadd(7, 10))
---> 11 print(newadd(9, 10, y=20, x=26)) #
     12 print(newadd())
     13 

TypeError: add() got multiple values for argument 'y'

partial函数本质

def partial(func, *args, **keywords):
    def newfunc(*fargs, **fkeywords): # 包装函数
        newkeywords = keywords.copy()
        newkeywords.update(fkeywords)
        return func(*(args + fargs), **newkeywords)
    newfunc.func = func # 保留原函数
    newfunc.args = args # 保留原函数的位置参数
    newfunc.keywords = keywords # 保留原函数的关键字参数参数
    return newfunc

def add(x,y):
    return x+y

foo = partial(add,4)
foo(5)

结果为：
9

@functools.lru_cache(maxsize=128, typed=False)

Least-recently-used装饰器。lru——最近最少使用。cache缓存。缓冲和缓存是两回事。

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功能执行得最好。

如果typed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)将被视为具有不同结果的不同调用。

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

print(add(4, 5))
print(add(4.0, 5))
print(add(4, 6))
print(add(4, 6, 3))
print(add(6, 4))
print(add(4, y=6))
print(add(x=4, y=6))
print(add(y=6, x=4))


结果为：
9
9
10
10
10
10
10
10

计算过的值可以很快的得到结果，缓存的机制是什么？

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？分析代码看看。

functools._make_key((4,6),{'z':3},False)

结果为：
[4, 6, <object at 0x844718>, 'z', 3]

functools._make_key((4,6,3),{},False)
结果为：
[4, 6, 3]

functools._make_key(tuple(),{'z':3,'x':4,'y':6},False)
结果为：
[<object at 0x844718>, 'z', 3, 'x', 4, 'y', 6]

functools._make_key(tuple(),{'z':3,'x':4,'y':6}, True)
结果为：
[<object at 0x844718>, 'z', 3, 'x', 4, 'y', 6, int, int, int]

可以用lru_cache装饰器实现对斐波那契数列递归方法的改造

import functools

@functools.lru_cache() # maxsize=None
def fib(n):
    if n < 3:
        return n
    return fib(n-1) + fib(n-2)

print([fib(x) for x in range(35)])


结果为：

[0, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233, 377, 610, 987, 1597, 2584, 4181, 6765, 10946, 17711, 28657, 46368, 75025, 121393, 196418, 317811, 514229, 832040, 1346269, 2178309, 3524578, 5702887, 9227465]

lru_cache装饰器应用

使用前提：同样的函数参数一定得到同样的结果，函数执行时间很长，且要多次执行，本质是函数调用的参数=>返回值

缺点：不支持缓存过期，key无法过期、失效，不支持清除操作，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，可以用缓存来将计算变成快速的查询。

 装饰器应用练习

一、实现一个cache装饰器，实现可过期被清除的功能

简化设计，函数的形参定义不包含可变位置参数、可变关键词参数和keyword-only参数

可以不考虑缓存满了之后的换出问题

二、写一个命令分发器

程序员可以方便的注册函数到某一个命令，用户输入命令时，路由到注册的函数

如果此命令没有对应的注册函数，执行默认函数

用户输入用input(">>")