Bagaimana anda menggunakan modul Funcools di Python?

Bagaimana anda menggunakan modul Funcools di Python?

Modul functools dalam Python digunakan untuk meningkatkan fungsi fungsi dan objek lain yang boleh dipanggil tanpa mengubah kod sumber mereka. Ia menyediakan pelbagai fungsi pesanan tinggi yang beroperasi atau mengembalikan fungsi lain. Berikut adalah cara anda boleh menggunakan beberapa alat yang paling biasa dalam modul functools :

1. Penghias : functools menawarkan penghias seperti wraps , yang biasanya digunakan untuk memelihara metadata (seperti nama dan docstring) fungsi asal ketika membuat penghias.

    <code class="python">from functools import wraps def my_decorator(func): @wraps(func) def wrapper(*args, **kwargs): print("Something is happening before the function is called.") func(*args, **kwargs) print("Something is happening after the function is called.") return wrapper @my_decorator def say_hello(): """Say hello function""" print("Hello!") say_hello()</code>

2. partial : Fungsi ini digunakan untuk membuat versi baru fungsi dengan beberapa argumen yang telah dipenuhi.

    <code class="python">from functools import partial def multiply(x, y): return x * y # Create a new function that multiplies by 2 doubled = partial(multiply, 2) print(doubled(4)) # Output: 8</code>

3. reduce : Fungsi ini menggunakan fungsi dua argumen secara kumulatif kepada item urutan, dari kiri ke kanan, untuk mengurangkan urutan ke satu nilai.

    <code class="python">from functools import reduce numbers = [1, 2, 3, 4] result = reduce(lambda x, y: xy, numbers) print(result) # Output: 10</code>

4. lru_cache : Ini adalah penghias yang menambah keupayaan memoing (caching) ke fungsi, yang boleh berguna untuk mempercepat fungsi rekursif atau fungsi dengan pengiraan mahal.

    <code class="python">from functools import lru_cache @lru_cache(maxsize=None) def fibonacci(n): if n </code>

Apakah beberapa contoh praktikal menggunakan penghias funcools di Python?

Penghias Funcools menyediakan cara yang kuat untuk meningkatkan tingkah laku fungsi dalam Python. Berikut adalah beberapa contoh praktikal:

1. Hasil caching : Menggunakan @lru_cache untuk memoize hasil fungsi untuk panggilan seterusnya yang lebih cepat.

    <code class="python">from functools import lru_cache @lru_cache(maxsize=None) def expensive_function(n): # Simulate an expensive computation return n ** n print(expensive_function(10)) # First call is slow print(expensive_function(10)) # Second call is fast due to caching</code>

2. Memelihara Metadata Fungsi : Menggunakan @wraps untuk mengekalkan nama fungsi dan docstrings semasa menulis penghias.

    <code class="python">from functools import wraps def timer_decorator(func): @wraps(func) def wrapper(*args, **kwargs): import time start_time = time.time() result = func(*args, **kwargs) end_time = time.time() print(f"{func.__name__} took {end_time - start_time} seconds to run.") return result return wrapper @timer_decorator def slow_function(): """A function that simulates a slow operation.""" import time time.sleep(2) return "Done" print(slow_function.__name__) # Output: slow_function print(slow_function.__doc__) # Output: A function that simulates a slow operation.</code>

3. Fungsi Logging Panggilan : Penghias kepada panggilan fungsi log dan hujah mereka.

    <code class="python">from functools import wraps def log_calls(func): @wraps(func) def wrapper(*args, **kwargs): print(f"Calling {func.__name__} with args: {args}, kwargs: {kwargs}") return func(*args, **kwargs) return wrapper @log_calls def add(a, b): return ab print(add(2, 3)) # Output: Calling add with args: (2, 3), kwargs: {}</code>

Bagaimanakah funcools.lru_cache meningkatkan prestasi kod python anda?

functools.lru_cache adalah penghias yang melaksanakan memoisasi, yang dapat meningkatkan prestasi fungsi dengan panggilan berulang, terutama mereka yang mempunyai perhitungan rekursif atau mahal. Begini cara ia berfungsi dan faedahnya:

1. Hasil caching : lru_cache menyimpan hasil panggilan fungsi dan mengembalikan hasil cache apabila input yang sama berlaku lagi. Ini mengurangkan bilangan panggilan fungsi sebenar, yang boleh menyebabkan peningkatan kelajuan dramatik.

    <code class="python">from functools import lru_cache @lru_cache(maxsize=None) def fibonacci(n): if n </code>

2. Kecekapan Memori : Parameter maxsize membolehkan anda mengawal saiz cache. Nilai None bermakna cache boleh tumbuh tanpa terikat, sedangkan menentukan nombor mengehadkan saiz cache, yang boleh berguna untuk menguruskan penggunaan memori.
3. Keselamatan Thread : lru_cache adalah benang selamat, menjadikannya sesuai untuk digunakan dalam aplikasi berbilang threaded.
4. Kemudahan Penggunaan : Memohon penghias adalah mudah dan tidak memerlukan mengubah kod sumber fungsi.

5. Analisis Prestasi : Anda boleh mengukur keberkesanan cache dengan membandingkan masa pelaksanaan fungsi dengan dan tanpa penghias.

    <code class="python">import time @lru_cache(maxsize=None) def expensive_function(n): time.sleep(1) # Simulate an expensive computation return n ** n start_time = time.time() result = expensive_function(10) end_time = time.time() print(f"First call took {end_time - start_time} seconds") start_time = time.time() result = expensive_function(10) end_time = time.time() print(f"Second call took {end_time - start_time} seconds")</code>

Apakah faedah menggunakan funcools.Partial untuk penyesuaian fungsi dalam python?

functools.partial adalah alat yang berguna untuk membuat objek yang boleh dipanggil baru dengan beberapa argumen fungsi asal yang telah dipenuhi. Berikut adalah faedah menggunakan functools.partial :

1. Memudahkan panggilan fungsi : Dengan pra-mengisi beberapa hujah, anda boleh membuat versi fungsi yang lebih mudah yang lebih mudah digunakan dalam konteks tertentu.

    <code class="python">from functools import partial def multiply(x, y): return x * y # Create a new function that multiplies by 2 doubled = partial(multiply, 2) print(doubled(4)) # Output: 8</code>

2. Menyesuaikan Fungsi : Anda boleh membuat versi fungsi yang disesuaikan tanpa mengubah fungsi asal, yang berguna untuk penggunaan semula kod dan modularity.

    <code class="python">from functools import partial def greet(greeting, name): return f"{greeting}, {name}!" hello_greet = partial(greet, "Hello") print(hello_greet("Alice")) # Output: Hello, Alice!</code>

3. Meningkatkan kebolehbacaan : Dengan mencipta versi fungsi khusus, anda boleh menjadikan kod anda lebih mudah dibaca dan jelas.

    <code class="python">from functools import partial def power(base, exponent): return base ** exponent square = partial(power, exponent=2) cube = partial(power, exponent=3) print(square(3)) # Output: 9 print(cube(3)) # Output: 27</code>

4. Memudahkan ujian : partial boleh digunakan untuk membuat versi fungsi khusus ujian, menjadikannya lebih mudah untuk menulis dan mengekalkan ujian unit.

    <code class="python">from functools import partial def divide(a, b): return a / b # Create a test-specific version of divide divide_by_two = partial(divide, b=2) # Use in a test case assert divide_by_two(10) == 5</code>

5. Integrasi dengan alat lain : partial boleh digabungkan dengan alat functools lain, seperti lru_cache , untuk membuat penyesuaian fungsi yang kuat dan cekap.

    <code class="python">from functools import partial, lru_cache @lru_cache(maxsize=None) def power(base, exponent): return base ** exponent square = partial(power, exponent=2) cube = partial(power, exponent=3) print(square(3)) # Output: 9 print(cube(3)) # Output: 27</code>

Dengan memanfaatkan functools.partial , anda dapat meningkatkan fleksibiliti dan mengekalkan kod Python anda, menjadikannya lebih mudah untuk menyesuaikan fungsi ke kes penggunaan yang berbeza tanpa mengubah definisi asalnya.

Atas ialah kandungan terperinci Bagaimana anda menggunakan modul Funcools di Python?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!