Python 的标准库包括简化复杂编程任务的模块。其中，functools 突出作为一个为函数式编程、优化和缓存设计的更高阶函数集合。

核心函数在functools中

functools 模块包含强大的实用工具，有助于开发者简化他们的工作。其中一些最常用的函数包括：

1.functools.lru_cache

缓存是提高性能的基本技术。《lru_cache》函数存储了昂贵函数调用的结果，防止重复计算。这在处理递归函数或计算密集型操作时非常有用。

from functools import lru_cache

@lru_cache(maxsize=128)
def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n - 1) + fibonacci(n - 2)

print(fibonacci(50))  # Computation is significantly faster due to caching

通过指定一个maxsize，开发者可以限制存储的结果数量，确保内存效率。

2.functools.partial

有时，一个函数需要多个参数，但开发者可能希望预先设置其中一些。partial 创建一个具有固定参数的新函数，减少冗余。

from functools import partial

def power(base, exponent):
    return base ** exponent

square = partial(power, exponent=2)
cube = partial(power, exponent=3)

print(square(4))  # 16
print(cube(3))    # 27

此函数提高了可读性，使得高阶函数更容易管理。

3.functools.wraps

编写装饰器时，原始函数的元数据通常会丢失。《wraps》确保函数名称和文档字符串等属性得到保留。

from functools import wraps

def my_decorator(func):
    @wraps(func)
    def wrapper(*args, **kwargs):
        print("Before function execution")
        result = func(*args, **kwargs)
        print("After function execution")
        return result
    return wrapper

@my_decorator
def greet(name):
    """Returns a greeting message"""
    return f"Hello, {name}!"

print(greet.__name__)  # 'greet' instead of 'wrapper'
print(greet.__doc__)   # 'Returns a greeting message'

没有包装，函数的元数据将被包装器的详细信息所替换。

4.functools.reduce

此函数通过累积应用一个函数来处理可迭代对象。它适用于执行需要聚合的操作。

from functools import reduce

numbers = [1, 2, 3, 4, 5]
product = reduce(lambda x, y: x * y, numbers)

print(product)  # 120

尽管列表推导和内置函数经常取代 reduce，但它对于某些应用仍然很有价值。

5.functools.total_ordering

在定义自定义类时，实现所有比较方法可能很繁琐。《total_ordering》允许开发者只需定义一个或两个比较方法，自动生成其余部分。

from functools import total_ordering

@total_ordering
class Number:
    def __init__(self, value):
        self.value = value

    def __eq__(self, other):
        return self.value == other.value

    def __lt__(self, other):
        return self.value < other.value

a, b = Number(3), Number(5)

print(a < b)   # True
print(a > b)   # False
print(a == b)  # False

这种方法消除了冗余，同时确保了正确的比较。

解锁functools的全部潜力

除了其常见功能外，functools 还提供了改进性能、简化函数处理和增强可维护性的附加功能。

备忘录化与优化

使用 lru_cache，程序在处理递归调用或昂贵计算时速度显著提高。它以最小的努力将函数转换为高效的解决方案。

函数式编程增强

函数如部分允许程序员创建可重用函数模板。这减少了样板代码，同时提高了清晰度。当与map、filter和reduce结合使用时，该模块支持优雅的函数式编程方法。

装饰器友好工具

The 包装函数保留元数据，确保装饰的函数保持其原始行为。这对于调试、文档和依赖于函数内省的框架至关重要。

面向对象编程支持

使用 total_ordering，创建可比较的自定义对象变得轻而易举。该模块还支持 cmp_to_key，允许开发者将旧式比较函数转换为排序的关键函数。

from functools import cmp_to_key

def compare(x, y):
    return x - y

numbers = [5, 2, 9, 1]
sorted_numbers = sorted(numbers, key=cmp_to_key(compare))

print(sorted_numbers)  # [1, 2, 5, 9]

这为基于比较的旧版排序函数提供了一个桥梁。