functools模块通过提供lru_cache、partial和wraps等工具显著提升python代码效率与质量。1. lru_cache通过缓存函数结果避免重复计算，尤其适用于参数不变的高耗时函数，如远程数据获取或递归算法，能大幅提升性能，但要求参数可哈希且需注意内存占用；2. partial通过固定函数部分参数生成新函数，实现逻辑复用与调用简化，相比lambda更具可读性和可维护性，适用于创建专用函数变体或与高阶函数结合使用；3. wraps用于装饰自定义装饰器中的包装函数，确保被装饰函数的__name__、__doc__等元数据得以保留，避免调试困难和工具失效，是编写健壮装饰器的必要步骤。
functools模块在 Python 中扮演着一个幕后英雄的角色，它提供了一系列高阶函数和装饰器，能帮助我们对函数进行包装、修改或增强，从而让代码更高效、更简洁，也更易于维护。它的核心在于提供工具来处理函数本身，而不是函数内部的逻辑。
解决方案
functools模块的核心价值在于它提供了一些非常实用的工具，让我们能以更优雅的方式处理函数。其中最常用也最基础的，包括
lru_cache用于性能优化、
partial用于函数参数的灵活绑定、以及
wraps用于编写健壮的装饰器。理解并掌握它们，能显著提升我们编写 Python 代码的效率和质量。
lru_cache
在实际开发中如何提升函数性能？
lru_cache是
functools模块里我个人觉得最“立竿见影”的一个工具。它是一个装饰器，核心功能是实现“备忘录模式”（memoization），也就是缓存函数的调用结果。想象一下，你有一个计算量很大的函数，比如一个复杂的数学运算，或者需要查询数据库、调用外部API的函数。如果这个函数经常被相同的参数调用，那么每次都重新计算一遍无疑是巨大的资源浪费。
立即学习“Python免费学习笔记（深入）”；
lru_cache的作用就在于此。当你用
@lru_cache()装饰一个函数后，Python 会自动为这个函数维护一个缓存。每次函数被调用时，它会先检查传入的参数是否在缓存中。如果在，直接返回缓存的结果，避免了实际的计算；如果不在，则执行函数体，并将结果存入缓存，以备下次使用。这个“LRU”代表“Least Recently Used”，意味着当缓存达到最大容量时，最近最少使用的条目会被淘汰，为新的结果腾出空间。
我个人觉得，很多时候我们写一些服务端的接口，如果底层数据源不经常变动，或者某些查询条件重复率很高，
lru_cache简直是神器，能瞬间把响应时间拉下来。比如，一个获取用户配置的函数，配置不经常变动，但查询频繁，用
lru_cache就能极大减轻数据库压力。当然，它也有局限性，比如缓存的数据是基于函数参数的，如果参数是不可哈希的对象（如列表、字典），就不能直接用。此外，缓存的内存占用也需要考虑，如果缓存的数据量巨大，可能会适得其反。
import time
from functools import lru_cache
# 模拟一个耗时操作，比如网络请求或复杂计算
@lru_cache(maxsize=None) # maxsize=None 意味着缓存大小无限制，但通常建议设置一个上限
def fetch_data_from_remote(item_id: str) -> str:
print(f"正在从远程获取数据 for {item_id}...")
time.sleep(2) # 模拟网络延迟
return f"数据 for {item_id} 已获取"
print(fetch_data_from_remote("user_profile_1")) # 第一次调用，会等待2秒
print(fetch_data_from_remote("user_profile_2")) # 第一次调用，会等待2秒
print(fetch_data_from_remote("user_profile_1")) # 第二次调用，直接从缓存返回，几乎瞬时
print(fetch_data_from_remote("user_profile_2")) # 第二次调用，直接从缓存返回，几乎瞬时
# 斐波那契数列的经典优化
@lru_cache(maxsize=128)
def fibonacci(n):
if n <= 1:
return n
return fibonacci(n - 1) + fibonacci(n - 2)
print("\n计算斐波那契数列：")
print([fibonacci(n) for n in range(10)]) # 效率很高，因为重复计算被缓存了使用 partial
实现函数参数的灵活绑定与复用
functools.partial提供了一种非常优雅的方式来“固定”一个函数的部分参数，从而生成一个新的函数。这在很多场景下都非常有用，尤其是当你有一个通用函数，但又想基于它创建一些更具体、更专业的版本时。
编程语言Perl性能优化的三大技巧总结 中文WORD版
下载
本文和大家重点讨论一下Perl性能优化技巧，利用Perl开发一些服务应用时，有时会遇到Perl性能或资源占用的问题，可以巧用require装载模块，使用系统函数及XS化模块，自写低开销模块等来优化Perl性能。 Perl是强大的语言，是强大的工具，也是一道非常有味道的菜:-)利用很多perl的特性,可以实现一些非常有趣而实用的功能。希望本文档会给有需要的朋友带来帮助；感兴趣的朋友可以过来看看
举个例子，你可能有一个通用的
send_notification(message, type, recipient)函数。在实际应用中，你可能经常需要发送“邮件通知”或“短信通知”。与其每次都重复
send_notification("你好", "email", "user@example.com") 这样的调用，你可以用 partial创建一个
send_email_notification和
send_sms_notification。
刚开始接触
partial，可能会觉得和
lambda有点像，但实际用起来，尤其是在需要传递给其他函数或者保持函数签名的场景，
partial的优势就出来了，代码会更清晰，可读性也更好。
partial创建的函数对象，其
__name__和
__doc__属性通常比
lambda更具描述性，也更容易被内省工具识别。它也比手动封装一层函数更简洁。
from functools import partial
def power(base, exponent):
"""计算 base 的 exponent 次幂。"""
return base ** exponent
# 创建一个专门计算平方的函数
square = partial(power, exponent=2)
print(f"5 的平方是: {square(5)}")
print(f"10 的平方是: {square(10)}")
# 创建一个专门计算立方的函数
cube = partial(power, exponent=3)
print(f"5 的立方是: {cube(5)}")
# 另一个例子：日志记录
def log_message(level, message):
"""记录带有指定级别的消息。"""
print(f"[{level.upper()}]: {message}")
# 创建特定级别的日志函数
log_info = partial(log_message, level="info")
log_warning = partial(log_message, level="warning")
log_error = partial(log_message, level="error")
log_info("用户登录成功")
log_warning("磁盘空间不足")
log_error("数据库连接失败")
# 结合高阶函数使用
numbers = [1, 2, 3, 4, 5]
# 过滤出大于等于3的数字
is_greater_than_or_equal_to_3 = partial(lambda x, threshold: x >= threshold, threshold=3)
filtered_numbers = list(filter(is_greater_than_or_equal_to_3, numbers))
print(f"大于等于3的数字: {filtered_numbers}")wraps
在自定义装饰器中的不可或缺性
如果你写过 Python 装饰器，并且在调试或者查看被装饰函数的信息时遇到过困惑，那么
functools.wraps就是你的救星。装饰器的本质是一个函数，它接受一个函数作为参数，并返回一个新的函数。问题在于，这个“新函数”会继承装饰器内部的某些属性，而不是被装饰函数本身的属性。
这意味着什么呢？当你调试一个被装饰的函数时，它的
__name__属性可能不再是原始函数名，而是装饰器内部包装函数的名称；它的
__doc__字符串也会丢失，变得难以理解；甚至文件路径和行号也可能指向错误的位置。这对于代码的调试、文档生成以及依赖函数元数据的工具（如测试框架、RPC 框架）来说，都是一场灾难。
functools.wraps就是为了解决这个问题而存在的。它也是一个装饰器，你需要用它来装饰你自定义装饰器内部的“包装函数”。
wraps会自动将被装饰函数的
__name__,
__doc__,
__module__,
__annotations__等重要属性复制到包装函数上。
我记得有一次调试一个复杂的系统，好几个装饰器套在一起，结果断点打进去一看，函数名和文档字符串全乱了，简直是噩梦。后来才发现
functools.wraps的重要性，它就像是给被装饰的函数贴上了一张身份证，让你随时都能认出它本来的面目。这是编写任何通用、可复用装饰器的最佳实践。
from functools import wraps
# 错误的装饰器实现，会丢失被装饰函数的元数据
def my_bad_decorator(func):
def wrapper(*args, **kwargs):
print("Something is happening before the function is called.")
result = func(*args, **kwargs)
print("Something is happening after the function is called.")
return result
return wrapper
@my_bad_decorator
def say_hello_bad(name):
"""一个简单的问候函数."""
return f"Hello, {name}!"
print("--- 错误装饰器示例 ---")
print(f"函数名: {say_hello_bad.__name__}") # 打印 'wrapper'
print(f"文档字符串: {say_hello_bad.__doc__}") # 打印 None
say_hello_bad("Alice")
# 正确的装饰器实现，使用 @wraps 保持元数据
def my_good_decorator(func):
@wraps(func) # 关键在这里！
def wrapper(*args, **kwargs):
print("Something good is happening before the function is called.")
result = func(*args, **kwargs)
print("Something good is happening after the function is called.")
return result
return wrapper
@my_good_decorator
def say_hello_good(name):
"""一个更好的问候函数."""
return f"Hello, {name}!"
print("\n--- 正确装饰器示例 ---")
print(f"函数名: {say_hello_good.__name__}") # 打印 'say_hello_good'
print(f"文档字符串: {say_hello_good.__doc__}") # 打印 '一个更好的问候函数.'
say_hello_good("Bob") 
