functools.partial 和類似的 lambda 之間的區別？

Question

在 Python 中，假設我有一個函數f ，我想傳遞一些次要參數（為簡單起見，假設它只是保持可變的第一個參數）。

這兩種方式（如果有的話）之間有什么區別？

# Assume secondary_args and secondary_kwargs have been defined

import functools

g1 = functools.partial(f, *secondary_args, **secondary_kwargs)
g2 = lambda x: f(x, *secondary_args, **secondary_kwargs)

例如，在partial的文檔頁面中，有這樣一句話：

類中定義的partial對象的行為類似於靜態方法，並且在實例屬性查找期間不會轉換為綁定方法。

如果用於從提供給類的參數（在構造函數中或稍后通過函數）創建類方法，lambda 方法是否會受到影響？

Answer 1

1. lambda 函數與標准函數具有相同的類型，因此它的行為類似於實例方法。

2. 您示例中的partial對象可以這樣調用：

    g1(x, y, z)

   導致這個調用（不是有效的 Python 語法，但你明白了）：

    f(*secondary_args, x, y, z, **secondary_kwargs)

   lambda 只接受一個參數並使用不同的參數順序。 （當然這兩種差異都可以克服——我只是回答你給出的兩個版本之間的差異是什么。）

3. partial對象的執行比等效的lambda的執行稍快。

Answer 2

概括

lambda和functools.partial在常見用例中的實際區別似乎是

• functools.partial需要導入， lambda不需要。
• 使用functools.partial創建的函數的函數定義僅通過打印創建的函數可見。 使用lambda創建的函數應該使用inspect.getsource()檢查。

發現這些對於lambda和functools.partial實際上是相同的

• 速度
• 回溯

速度（lambda 與 functools.partial）

我認為測試和真實數據比僅僅猜測哪個比另一個更快更能說明問題。

看起來lambda和functools.partial之間的速度差異沒有統計證據。 我以不同的重復次數運行了不同的測試，每次得到的結果都略有不同； 這三種方法中的任何一種都可能是最快的。 速度相同，置信度為 95% (2 sigma)。 這是一些數值結果*

# When functions are defined beforehand
In [1]: timeit -n 1000 -r 1000 f_partial(data)
23.6 µs ± 2.92 µs per loop (mean ± std. dev. of 1000 runs, 1000 loops each)

In [2]: timeit -n 1000 -r 1000 f_lambda(data)
22.6 µs ± 2.6 µs per loop (mean ± std. dev. of 1000 runs, 1000 loops each)

# When function is defined each time again
In [3]: timeit -n 1000 -r 1000 (lambda x: trim_mean(x, 0.1))(data)
22.6 µs ± 1.98 µs per loop (mean ± std. dev. of 1000 runs, 1000 loops each)

In [4]: timeit -n 1000 -r 1000 f_lambda = lambda x: trim_mean(x, 0.1); f_lambda(data)
23.7 µs ± 3.89 µs per loop (mean ± std. dev. of 1000 runs, 1000 loops each)

In [5]: timeit -n 1000 -r 1000 f_partial = partial(trim_mean, proportiontocut=0.1); f_partial(data)
24 µs ± 3.38 µs per loop (mean ± std. dev. of 1000 runs, 1000 loops each)

回溯

我還嘗試使用插入了字符串元素的列表運行f_lambda和f_partial ，並且回溯是相等的（當然除了第一個條目）。 所以那里沒有區別。

檢查源代碼

• 使用functools.partial創建的函數的函數定義僅通過打印創建的函數可見。 使用lambda創建的函數應該使用inspect.getsource()檢查。

# Can be inspected with just printing the function
In [1]: f_partial
Out[1]: functools.partial(<function trim_mean at 0x000001463262D0D0>, proportiontocut=0.1)

In [2]: print(f_partial)
functools.partial(<function trim_mean at 0x000001463262D0D0>, proportiontocut=0.1)

# Lambda functions do not show the source directly
In [3]: f_lambda
Out[3]: <function __main__.<lambda>(x)>

# But you can use inspect.getsource()
In [4]: inspect.getsource(f_lambda)
Out[4]: 'f_lambda = lambda x: trim_mean(x, 0.1)\n'

# This throws a ValueError, though.
In [5]: inspect.getsource(f_partial)

附錄

* 測試中使用的設置

from functools import partial
from scipy.stats import trim_mean
import numpy as np
data = np.hstack((np.random.random(1000), np.random.random(50)*25000))

f_lambda = lambda x: trim_mean(x, 0.1)
f_partial = partial(trim_mean, proportiontocut=0.1)

測試是在 Python 3.7.3 64 位 (Windows 10) 上執行的。

Answer 3

如前所述，partials 不僅比等效的 lambda 快 20%，而且它們保留了一個直接引用，以指示它們函數的相關性。 而在 lambda 中，該函數被“埋藏”在函數體內。

=> 如果您只需要解決將一個函數的評估推遲到所有參數都已知的問題，那么請使用部分函數。 與將調用埋入匿名函數（即 lambda）相比，您將擁有更好的自省方法。

Answer 4

我相信類方法只適用於在類定義期間分配的函數。 以后分配的功能不作特殊處理。

除此之外，我個人更喜歡 lambda，因為它們更常見，因此使代碼更容易理解。

class Foo(object):
    def __init__(self, base):
        self.int = lambda x:int(x, base)

print Foo(4).int('11')

Answer 5

是的， lambda將因此而“受苦”。 partial沒有這個問題，因為它是一個重載了調用運算符的對象，而不是一個真正的函數。

但是在類定義中使用這樣的 lambda 只是誤用。

Answer 6

這里最重要的一點被遺漏了lambda有指向輸入變量的鏈接，但是partition在創建過程中復制了 args：

>>> for k,v in {"1": "2", "3": "4"}.items():
...     funcs.append(lambda: print(f'{k}: {v}'))
...
>>> print(funcs)
[<function <lambda> at 0x106db71c0>, <function <lambda> at 0x10747a3b0>]
>>> for f in funcs:
...     f()
...
3: 4  # result are indentical
3: 4

>>> import functools
>>> funcs = []
>>> for k,v in {"1": "2", "3": "4"}.items():
...     funcs.append(functools.partial(print, f'{k}: {v}'))
...
>>> print(funcs)
[functools.partial(<built-in function print>, '1: 2'), functools.partial(<built-in function print>, '3: 4')]
>>>
>>> for f in funcs:
...     f()
...
1: 2  # result differs
3: 4