Question

在Python中，假设我有一个函数f，我希望传递一些辅助参数（为简单起见，它只是第一个保持变量的参数）。

这两种方式（如果有的话）之间有什么区别？

# 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doc page for partial中，有这样的引用：

类中定义的
partial对象的行为类似于静态方法，并且在实例属性查找期间不会转换为绑定方法。

如果用于从提供给类的参数（在构造函数中或稍后通过函数）中创建类方法，lambda方法是否会受此影响？

Answer 1

lambda函数与标准函数具有相同的类型，因此它的行为类似于实例方法。
您的示例中的partial对象可以像这样调用：
```
g1(x, y, z)
```
导致此调用（无效的Python语法，但您明白了）：
```
f(*secondary_args, x, y, z, **secondary_kwargs)
```
lambda只接受一个参数并使用不同的参数顺序。（当然这两个差异都可以克服 - 我只是回答你给出的两个版本之间的差异。）
执行partial对象的速度略快于执行等效lambda。

Answer 2

我认为类方法只适用于在类定义期间分配的函数。稍后分配的功能不会被特别处理。

除此之外，我个人赞成lambdas，因为它们更常见，因此使代码更容易理解。

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

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

Answer 3

是的，lambda将“受此影响”。 partial没有这个问题，因为它是一个调用运算符重载的对象，而不是一个真正的函数。

但是在类定义中使用这样的lambda只是误用。

Answer 4

部分不仅比已经说过的等效lambda快约20％，而且它们直接引用它们起作用。在lambdas中，函数在函数体内被“埋葬”。

=＆GT;如果您只需要解决延迟评估一个函数的问题，直到知道所有参数，那么使用partials。与将调用埋入匿名函数（即lambdas）相比，你将拥有更好的内省方法。

Answer 5

摘要

在常见情况下，lambda和functools.partial之间的实用差异似乎是

functools.partial需要导入，lambda不需要导入。
仅通过打印创建的函数，即可看到用functools.partial创建的函数的函数定义。用lambda创建的函数应该用inspect.getsource()检查。

对于lambda和functools.partial

，这些发现实际上相同

速度
追踪

速度（lambda与functools.partial）

我认为测试和真实数据要比猜测哪个比另一个要快要大得多。

看起来lambda和functools.partial之间没有 没有速度差异的统计证明 。我用不同的重复次数进行了不同的测试，每次得到的结果都略有不同。三种方法中的任何一种都可能是最快的。速度相同，置信度为95％（2 sigma）。这是一些数值结果*

# 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)

追踪

我还尝试使用插入了字符串元素的list运行f_lambda和f_partial，并且回溯是相等的（当然，除了第一个条目之外）。所以那里没有区别。

检查源代码

仅通过打印创建的函数，即可看到用functools.partial创建的函数的函数定义。用lambda创建的函数应该用inspect.getsource()检查。

# 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)

附录

*测试中使用的设置

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)

测试是在Python 3.7.3 64位（Windows 10）上进行的。

functools.partial和类似lambda之间的区别？

5 个答案:

摘要

速度（lambda与functools.partial）

追踪

检查源代码

附录

*测试中使用的设置