我最近在閱讀 Django 的原始碼，我遇到了 @wraps 裝飾器，這讓我找到了 functools 文件，在那裡我發現了一些很棒的 functools 特性。這一發現導致了這篇文章的創作。本文將教你如何使用一些很棒的 functools 方法讓你的編碼更簡單。
什麼是functools？
functools 是一個 Python 內建模組，包含可以與其他函式互動的高階函式。可以在Python官方網站找到完整的 functools 文件。
網站連結：
https：//docs。python。org/3/library/functools。html
lru_快取
當以相同的引數呼叫一個函式時，functools 模組中的這個裝飾器將 n 次函式呼叫儲存在快取中，從而節省了大量時間。
為了演示，假設我們有一個非常大的函式，需要很長時間才能執行。在此示例中，函式
a_heavy_operation（）
需要 3 秒才能執行。
import timestart = time。time（）def a_heavy_operation（）： time。sleep（3） return 11 + 22print（a_heavy_operation（））print（a_heavy_operation（））print（time。time（） - start）# 輸出# 33 #33 #6。024240255355835
執行上述程式碼大約需要 6 秒。對於上述功能，我們將新增 lru 快取。
import timefrom functools import lru_cachestart = time。time（）@lru_cache（）def a_heavy_operation（）： time。sleep（3） return 11 + 22print（a_heavy_operation（））print（a_heavy_operation（））print（time。time（） - start）# Output# 33# 33# 3。0158064365386963
看看使用 lru 快取如何使我們的程式碼執行得更快。Python 儲存函式的快取並檢索快取值，減少了我們的執行時間。
Wraps
在 functools 中使用 Wraps 來保留函式的細節。當我們裝飾一個函式時，函式的資訊就沒有了。我們在裝飾器包裝函式上使用 @wraps 裝飾器來防止這種情況。
看看這段程式碼就明白我的意思了。
from functools import lru_cachedef my_decorator（func）： def log（*args， **kwargs）： print（“Running ”） return func（*args， *kwargs） return log@my_decoratordef add（a， b）： “”“my beautiful doc”“” return a + b
使用 -i 模式執行上面的程式碼，
python -i file。py
>>> add（1，2）Running 3>>> add（3，4）Running 7>>> add。__name__log>>> add。__doc__>>>
我們可以看到我們的裝飾器在前面的示例中執行正常，因為它在每次執行時始終“執行”。但是，我們函式的資訊已經丟失，無法返回名稱或文件字串。
我們有@wraps 來幫助我們解決這個問題。對程式碼進行以下更改。
from functools import wrapsdef my_decorator（func）： @wraps（func） def log（*args， **kwargs）： print（“Running ”） return func（*args， *kwargs） return log@my_decoratordef add（a， b）： “”“my beautiful doc”“” return a + b
現在再次使用執行程式碼
python -i file。py
>>> add（1，2） Running 3 >>> add。__name__‘add’>>> add。__doc__‘my beautiful doc’>>>
現在功能資訊現在儲存在我們的功能中。
singledispatch
要建立通用函式，可以使用 singledispatch。通用函式是那些對各種資料型別執行相同操作的函式。
假設我想建立一個函式，該函式從多種資料型別的可迭代物件中返回第一個值。
def return_first_element（data）： if isinstance（data， list）： print（data［0］） elif isinstance（data， str）： print（data。split（）［0］） elif isinstance（data， dict）： print（list（data。values（））［0］ ） else： print（print（data））
現在執行
python -i file。py
以互動模式執行程式碼。
>>> return_first_element（{“Age”：20， “Height”： 180}）20>>> return_first_element（“Hello Mr Python”）Hello>>> return_first_element（［12，432，563］） 12>>>
我們的功能是有效的，但它並不乾淨。不建議在 Python 中使用 if/elif/else 語句來建立泛型函式。那麼，解決方案是什麼？singledispatch，當然。
讓我們對程式碼做一些修改。
from functools import singledispatch@singledispatchdef return_first_el（data）： return data@return_first_el。register（list）def _（data）： return data［0］@return_first_el。register（dict）def _（data）： return list（data。values（））［0］@return_first_el。register（str）def _（data）： return data。split（）［0］
要檢查結果，請使用python -i file。py
在互動模式下再次執行程式碼。
>>> return_first_el（{“Age”：20， “Height”： 180}） 20 >>> return_first_el（“Hello Mr Python”） ‘你好’ >>> return_first_el（［124， 765， 897］） 124 >> > return_first_el（{12，31，1}） {1， 12， 31}
看看
return_first_el
當沒有資料型別與“set”匹配時，我們的函式如何充當回退函式。
看看我們的程式碼現在乾淨多了；singledispatch 使得新增更多資料型別變得更容易，並且每個資料型別現在都有自己的位置，我們可以在其中對資料執行進一步的操作。
total_ordering
total_ordering 裝飾器在面向物件程式設計中節省了大量時間。
考慮這個例子，下面的類聲明瞭一個
Man
具有 name 和 age 屬性以及 （=） __
eq__
和 （<） __l
t__
dunder 方法的類。
class Man： def __init__（self， name， age）： self。name = name self。age = age def __eq__（self， o）： return self。age == o。age def __lt__（self， o）： return self。age < o。age
讓我們看看如果我們執行程式碼會發生什麼。
>>> obj = Man（“Vivek”， 20）>>> obj2 = Man（“Alex”， 24） >>> obj = obj>>> obj == obj2False>>> obj < obj2True>>> obj >= obj2Traceback （most recent call last）： File “
我們的程式碼適用於 （==） 和 （<），但當我們使用類中未定義的運算子時它不起作用。鑑於我們至少建立了一個運算子 dunder 方法和 __eq__ 方法，@total_ordering 為我們的類生成了、>、=、>= 和更多比較運算子。
讓我們在類的正上方新增我們的裝飾器。
from functools import total_ordering@total_orderingclass Man： def __init__（self， name， age）： self。name = name self。age = age def __eq__（self， o）： return self。age == o。age def __lt__（self， o）： return self。age < o。age
現在再次以互動模式執行程式碼以檢視結果
>>> o = Man（“Vivek”， 20） >>> b = Man（“Alex”， 24） >>> o == b False >>> o >= b False >>> o <= b True
如果你發現我的任何文章對你有幫助或者有用，麻煩點贊或者轉發。 謝謝！
