functools

定义

functools是Python标准库提供的一个模块，用于高阶函数与可调用对象上的操作。所谓高阶函数，是指那些作用于其他函数或者返回其他函数的函数；就本模块的用途而言，任何可调用对象都可以当作函数来处理^[1][5]。

该模块不引入新的语法，而是以普通函数和装饰器的形式给出工具，因此可以配合装饰器、闭包等既有机制使用^[3]。其中partial用于实现部分函数应用，reduce用于把可迭代对象归约为单个值，lru_cache与cache用于记忆化，singledispatch用于把函数改造成单分派泛型函数，wraps与update_wrapper则服务于装饰器的编写^[1][6]。

原理

偏函数应用的基本思路是固定原函数的一部分参数，得到一个参数更少的新可调用对象。functools.partial返回的partial对象保存原始函数、已绑定的位置参数和关键字参数；此后调用该对象时，新传入的位置参数会接在已绑定参数之后，新传入的关键字参数则会覆盖原有同名项^[7]。

记忆化缓存依据参数查找结果。以lru_cache为例，被包装的函数附带cache_info()、cache_clear()与cache_parameters()等接口，可分别查看命中与未命中情况、清空缓存、读取配置；原始函数可通过__wrapped__属性访问，便于内省或绕过缓存重新装饰^[1]。由于底层用字典保存结果，传给被包装函数的位置参数和关键字参数必须可哈希，否则无法作为缓存键^[1]。

缓存淘汰采用最近最少使用（LRU）策略，其有效性依赖于近期的调用能够较好地预测接下来的调用，例如新闻站点上最受关注的文章往往逐日变化；缓存容量上限则避免长时间运行的进程无限占用内存^[1][2]。归约操作按从左到右的顺序进行，reduce把两参数函数反复施加到序列元素上，左参数为累积值，右参数为当前元素，并可选的initial作为初始值参与计算^[5]。

单分派泛型函数按照第一个参数的类型选择实现。用singledispatch装饰的函数是面向object类型的默认实现，为其类型注册的具体实现通过register()属性加入；找不到匹配类型时，按方法解析顺序回溯到更通用的实现，已注册实现的查询结果会被缓存^[8][9]。

发展历程

该模块的起点是PEP 309。2003年2月8日，Peter Harris提交了关于部分函数应用的提案，最初建议的标准库模块名为functional；提案被采纳并实施后，社区希望收纳更多作用于函数对象、但与函数式编程无直接关系的工具，于是模块改名为functools，以体现其被拓宽的定位^[7][10]。相关补丁在2005年被接受并应用于Python 2.5，使partial、update_wrapper和wraps进入标准库^[7][11]。

进入Python 3时代后，模块内容持续增加。cumulative影响较大的变化是reduce的迁入：它原本是Python 2的内置函数，在Python 3中移入functools，并回溯到Python 2.6^[12][4]。随后cmp_to_key与total_ordering在3.2版加入，lru_cache同样出现在3.2版，并在3.3版增加typed选项^[4]。

后续版本继续补齐工具。单分派泛型函数由PEP 443提出，作者为Łukasz Langa，随Python 3.4进入functools；其功能此前已作为pkgutil中的simplegeneric存在，因此实现基本是整体迁移^[9][8]。cached_property在3.8版加入，用于把类方法转换为只计算一次、随后作为普通属性缓存的值；无界的cache装饰器在3.9版加入^[5]。

应用

在装饰器编写中，wraps与update_wrapper常被用来让包装函数保留原函数的名称、模块名与文档字符串；若不更新这些元数据，返回函数的属性会反映包装层的定义，而非被装饰函数的定义。

偏函数应用适合在需要更少参数的场景中复用函数。例如把int的base参数固定为2，可以得到一个把二进制字符串转为整数的可调用对象；也可以固定某个乘数，构造出行为类似乘2或乘方的函数^[2][6][13]。

缓存工具多用于递归计算与重复的高开销调用。官方文档给出的例子包括用lru_cache配合动态规划计算斐波那契数列，以及对静态网络内容获取函数设定缓存容量，从而避免反复请求^[1]。

比较函数转换与类型分派各有适用场合。cmp_to_key把接受两个参数、返回负数、零或正数的旧式比较函数，转换为只接受一个参数并返回排序键的键函数，可配合sorted()、min()、max()等工具使用，主要用于从Python 2迁移过来的代码^[2][14]。singledispatch则让同一操作针对不同类型提供不同实现，调用时按首个参数类型自动选取^[9]。

局限

缓存类工具并不适用于所有函数。用lru_cache缓存带有副作用的函数、每次调用都需创建不同可变对象的函数（如生成器与异步函数），或者time()、random()这类不纯的函数，都没有实际意义^[1]。缓存还会一直持有参数与返回值的引用，直到它们离开缓存或被清空^[1]。

多线程下的行为需要留意。lru_cache的缓存是线程安全的，底层数据结构在并发更新期间保持一致，但若另一线程在首次调用完成并写入缓存之前发起额外调用，被包装函数可能被多次执行；在较早的文档中，多线程环境下命中数与未命中数被描述为近似值^[1]。

cached_property存在自身的边界。它无法防止多线程使用中出现的竞争条件，取值函数可能在同一实例上运行多次，因此适合取值幂等的情形，如需同步应由使用者在取值函数内部或属性访问处自行加锁；它还会干扰PEP 412键共享字典，可能使实例字典占用更多空间，并且要求实例的__dict__为可变映射，因而对元类以及定义了__slots__而不含__dict__的类型不适用^[5]。

参数与分派方面同样有限制。缓存键要求参数可哈希，且参数书写模式不同可能被视作不同调用，例如f(a=1,b=2)与f(b=2,a=1)可能各占一个缓存项；类型区分只作用于直接参数而不涉及其内部内容^[1]。singledispatch只依据第一个参数的类型分派，注册表也并非线程安全，面对通过ABC注册造成的歧义分派会直接抛出RuntimeError而不作猜测^[9][8]。

参见

• 装饰器 —— functools中的wraps、lru_cache等多数工具本身即以装饰器形式使用。

• 高阶函数 —— functools面向的正是作用于或返回其他函数的高阶函数。

• 偏函数应用 —— partial所实现的功能，即固定原函数的一部分参数。

• 记忆化 —— lru_cache与cache所依据的缓存策略。

• 泛型函数 —— singledispatch把普通函数转换为按类型分派的泛型函数。

• itertools —— Python标准库中与functools并列、常用于函数式编程的模块。