Python：为什么需要 functools.partial？

问题描述：

部分应用很酷。functools.partial它提供了哪些无法通过 lambda 实现的功能？

>>> sum = lambda x, y : x + y
>>> sum(1, 2)
3
>>> incr = lambda y : sum(1, y)
>>> incr(2)
3
>>> def sum2(x, y):
    return x + y

>>> incr2 = functools.partial(sum2, 1)
>>> incr2(4)
5

是否functools更有效率，或者更具可读性？

解决方案 1：

functools.partial它提供了哪些无法通过 lambda 获得的功能？

就额外功能而言，没有太多改进（但稍后再看）——而且，可读性是每个人的眼光所及。

大多数熟悉函数式编程语言（尤其是 Lisp/Scheme 系列）的人似乎都很喜欢lambda——我说“大多数”，绝对不是全部，因为 Guido 和我肯定是“熟悉”（等等）的人，但认为lambdaPython 中存在令人讨厌的异常现象……

他后悔曾经将它纳入 Python，而计划将其从 Python 3 中删除，因为这是“Python 的缺陷”之一。

我完全支持他。（我喜欢lambda Scheme ……但它在 Python 中的局限性，以及它与语言其他部分格格不入的奇怪方式让我毛骨悚然）。

然而，对于大批lambda爱好者来说并非如此——他们上演了 Python 历史上最接近叛乱的事件之一，直到 Guido 改变主意并决定离开lambda。

几个可能的添加functools（使函数返回常量、身份等）没有实现（以避免明确重复更多lambda功能），尽管partial当然保留了下来（这不是完全重复，也不是碍眼的东西）。

请记住，lambda的主体仅限于表达式，因此它有局限性。例如……：

>>> import functools
>>> f = functools.partial(int, base=2)
>>> f.args
()
>>> f.func
<type 'int'>
>>> f.keywords
{'base': 2}
>>> 

functools.partial返回的函数带有可用于自省的属性——它包装的函数，以及它在其中修复的位置和命名参数。此外，命名参数可以直接被覆盖（“修复”在某种意义上是默认值的设置）：

>>> f('23', base=10)
23

所以，如你所见，它绝对不像那么简单lambda s: int(s, base=2)！-)

是的，你可以扭曲你的 lambda 来给你其中的一些——例如，对于关键字覆盖，

>>> f = lambda s, **k: int(s, **dict({'base': 2}, **k))

但我真心希望，即使是最狂热的lambda- 爱好者也不会认为这个恐怖的东西比调用更易读partial！-）。“属性设置”部分甚至更难，因为 Python 的“主体是单个表达式”限制lambda（加上赋值永远不能成为 Python 表达式的一部分）...你最终会通过将列表理解扩展到其设计限制之外来“在表达式中伪造赋值”...：

>>> f = [f for f in (lambda f: int(s, base=2),)
           if setattr(f, 'keywords', {'base': 2}) is None][0]

现在将命名参数的可覆盖性加上三个属性的设置组合成一个表达式，然后告诉我它的可读性如何……！

解决方案 2：

嗯，这里有一个显示差异的例子：

In [132]: sum = lambda x, y: x + y

In [133]: n = 5

In [134]: incr = lambda y: sum(n, y)

In [135]: incr2 = partial(sum, n)

In [136]: print incr(3), incr2(3)
8 8

In [137]: n = 9

In [138]: print incr(3), incr2(3)
12 8

Ivan Moore 的这些帖子扩展了 Python 中的“lambda 的局限性”和闭包：

• Python 中的闭包（第 2 部分）

• Python 中的闭包（第 3 部分）

解决方案 3：

在最新版本的 Python (>=2.7) 中，可以使用pickle，partial但不能使用lambda：

>>> pickle.dumps(partial(int))
'cfunctools
partial
p0
(c__builtin__
int
p1
tp2
Rp3
(g1
(tNNtp4
b.'
>>> pickle.dumps(lambda x: int(x))
Traceback (most recent call last):
  File "<ipython-input-11-e32d5a050739>", line 1, in <module>
    pickle.dumps(lambda x: int(x))
  File "/usr/lib/python2.7/pickle.py", line 1374, in dumps
    Pickler(file, protocol).dump(obj)
  File "/usr/lib/python2.7/pickle.py", line 224, in dump
    self.save(obj)
  File "/usr/lib/python2.7/pickle.py", line 286, in save
    f(self, obj) # Call unbound method with explicit self
  File "/usr/lib/python2.7/pickle.py", line 748, in save_global
    (obj, module, name))
PicklingError: Can't pickle <function <lambda> at 0x1729aa0>: it's not found as __main__.<lambda>

解决方案 4：

functools 是否更有效率？

作为对此问题的部分回答，我决定测试一下性能。下面是我的例子：

from functools import partial
import time, math

def make_lambda():
    x = 1.3
    return lambda: math.sin(x)

def make_partial():
    x = 1.3
    return partial(math.sin, x)

Iter = 10**7

start = time.clock()
for i in range(0, Iter):
    l = make_lambda()
stop = time.clock()
print('lambda creation time {}'.format(stop - start))

start = time.clock()
for i in range(0, Iter):
    l()
stop = time.clock()
print('lambda execution time {}'.format(stop - start))

start = time.clock()
for i in range(0, Iter):
    p = make_partial()
stop = time.clock()
print('partial creation time {}'.format(stop - start))

start = time.clock()
for i in range(0, Iter):
    p()
stop = time.clock()
print('partial execution time {}'.format(stop - start))

在 Python 3.3 上，它给出：

lambda creation time 3.1743163756961392
lambda execution time 3.040552701787919
partial creation time 3.514482823352731
partial execution time 1.7113973411608114

这意味着 partial 需要更多的时间来创建，但执行时间却要少得多。这很可能是ars的答案中讨论的早期和晚期绑定的效果。

解决方案 5：

除了 Alex 提到的额外功能之外，functools.partial 的另一个优势是速度。使用 partial，您可以避免构造（和破坏）另一个堆栈框架。

partial 和 lambdas 生成的函数默认都没有文档字符串（尽管您可以通过 为任何对象设置文档字符串__doc__）。

您可以在此博客中找到更多详细信息：Python 中的偏函数应用

解决方案 6：

这是一个非常老的问题，但我想我会把它放在这里以防它对某人有用。

部分函数相对于 lambda 的一个优势在于它们在循环中的行为方式。由于 lambda 评估参数的方式，在使用它们时容易出错的方法是将 lambda 函数声明为循环的一部分（例如菜单项的回调方法）。

例如，这给了你一个答案，不熟悉 lambda 中这种行为的开发人员可能会感到惊讶，

funcs = []
for i in range(10):
    f = lambda j: i + j
    funcs.append(f)
print(f(1) for f in funcs)
# [10, 10, 10, 10, 10, 10, 10, 10, 10, 10]

然而，如果你使用部分，你就不会遇到这个问题；

parts = []
for i in range(10):
    p = partial(sum, (i, ))
    parts.append(p)
print([p(1) for p in parts])
# [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

当然，使用 lambda 可以解决这个问题，但是使用 partials 的语法（在我看来）更加简单并且行为符合你的预期。

解决方案 7：

我在第三个例子中最快地理解了意图。

当我解析 lambda 表达式时，我期望其复杂性/奇异性比标准库直接提供的要大。

另外，您会注意到第三个示例是唯一一个不依赖于完整签名的示例sum2；从而使其耦合度稍微松散一些。

解决方案 8：

当评估某些变量时，泛函非常有用。

作为一个局外人，这里有一系列更友好的例子：

from functools import partial

sum = lambda x, y: x + y            # sum(x, y) == x + y

n = 2
normalSum = lambda x: sum(x, n)     # normalSum(x) == sum(x, y=n)
partialSum = partial(sum, y = n)    # partialSum(sum(y=n)) == sum(x, 2)
print(normalSum(2), partialSum(2))  # 4 4

n = 6
print(normalSum(2), partialSum(2))  # 8 4

n注意部分如何保存当时的值。

...
n = 2
partialSumOrig = partial(sum, y = n)        # partialSumOrig(sum(y=n)) == sum(x, 2)
n = 6
partialSumNew = partial(sum, y = n)         # partialSumNew(sum(y=n)) == sum(x, 6)

print(partialSumOrig(2), partialSumNew(2))  # 4 8

额外的示例展示了如何将参数传递到嵌套的 lambda 表达式中：

...
n = 8
partialSumOrig = partial(sum, y = n)  # partialSumOrig(sum(y=n)) == sum(x, 8)
partialSumNew = partial(sum, n)       # partialSumNew(sum(n)) == sum(8, y)

print(partialSumOrig(2))  # 10        # partialSumOrig(sum(2, 8)) == sum(2, 8)
print(partialSumNew(2))   # 10        # partialSumNew(sum(8, 2)) == sum(8, 2)

最后一个例子展示了如何在部分参数中传递：

...
n = 2
m = 2
partialSumSilly = partial(sum, n, m)  # partialSumSilly(sum(n, m)) == sum(2, 2)
print(partialSumSilly())              # 4

最大的收获是：

• normalSum() 行为类似于后期绑定，n在运行时进行评估。

• partialSum() 行为类似于早期绑定，n在定义时进行评估。

注意：实际上，由于 cpython 的解释特性，几乎所有内容都是后期绑定。