Python Jiří Znamenáček Funkce vyššího řádu 2024-11-15

Jelikož v Python'u hrají funkce velmi důležitou roli, nepřekvapí, že v rámci knihovního modulu functools je k dispozici armáda metod pro funkce tzv. vyššího řádu (higher order functions) – funkce, které operují na funkcích a (případně) vrací další funkce.

A protože v Python'u je funkce (přinejmenším) všechno, co implementuje magickou metodu __call__(), tak to nemusí být jen funkce v klasickém smyslu slova.

U dekorátorů jsme si říkali, že odekorovaná funkce je (či bývá) kompletně nahrazena uzávěrovou funkcí vrácenou z dekorátoru. Což má tu nepříjemnou vlastnost, že když se někdo začne šťourat v jejích vlastnostech, tak zjistí, že je to úplně jiná funkce.

Snažit se přepsat potřebné vlastnosti dekorované funkce je otravné a navíc zbytečné, protože uvedenou práci za nás udělá dekorátor (sic! :-) functools.wraps:

from functools import wraps def dekorátor(funkce): @wraps(funkce) def _dekorátor(*args, **kwargs): ... return _dekorátor

PS: @wraps je příjemná dekorátorová zkratka pro funkci vyššího řádu update_wrapper().

Představte si, že ve svém programu používáte nějakou funkci s jistým přednastavením některých parametrů tak často, že už vám jejich neustálé přepisování začne lézt krkem. Nemusí, protože od toho je tu funkce functools.partial():

from functools import partial print_bez_odřádkování = partial(print, end='') print_do_souboru = partial(print, file=STREAM) open_unicode = partial(open, encoding='utf-8')

Navzdory příkladům výše to funguje i pro nepojmenované parametry, jak ukazuje příklad přímo z dokumentace:

>>> basetwo = partial(int, base=2) >>> basetwo.__doc__ = 'Convert base 2 string to an int.' >>> basetwo('10010') 18

PS: Jelikož metody objektů jsou také funkce, jen v trochu jiném kontextu, existuje pro ně obdoba této funkce v podobě functools.partialmethod.

Nepotřebujete-li znát všechny mezivýsledky postupné redukce iterovatelného objektu předloženou binární funkcí (což zařídí itertools.accumulate()), můžete použít funkci functools.reduce():

>>> from functools import reduce # Vlastně provede ((((5 + 2) + 4) + 3) + 6): >>> reduce(lambda x, y: x + y, [5, 2, 4, 3, 6]) 20

Jejím prvním parametrem je tedy binární funkce (funkce o dvou parametrech mezi kterými implementuje binární operaci) a druhým pak příslušný iterovatelný objekt. Případný třetí parametr pak představuje počáteční (inicializační) hodnotu pro operaci a je předřazen prvkům zpracovávaného iterátoru:

>>> from functools import reduce # Vlastně provede (((((1 + 5) + 2) + 4) + 3) + 6): >>> reduce(lambda x, y: x + y, [5, 2, 4, 3, 6], 1) 21 Pokud inicializační parametr není přítomen a vstupní sekvence má právě délku 1, vrací se celkově právě jen tento první prvek.

Jelikož dekorátory jsou mocné, přinejmenším od doby, kdy si Python hraje na typy (konkrétně tedy od verze 3.4), je možné pythoní funkce svým způsobem i přetěžovat, byť pouze na základě prvního argumentu.

Uvedené téma je poněkud obsáhlejší a proto je zpracováno v samostatné přednášce o generických funkcích.

Dekorátor lru_cache() si ukládá slovník argumentů dekorované funkce a jim odpovídajících výsledků, ale pouze do jisté hloubky (LRU = least recently used; ve výchozím nastavení 128). To pochopitelně značně zrychluje opětovná volání funkce pro stejné argumenty, protože se už nemusí znovu počítat nebo stahovat z internetu a podobně. Vzhledem k tomu má ale pochopitelně smysl dekorovat pouze funkce, které:

Zatímco rekurzivní funkce bez vedlejších efektů jsou tedy naprosto jasný kandidát na použití keše, nemá naopak vůbec smysl kešovat generátory nebo asynchronní funkce.

PS: Mezipaměť užívaná tímto dekorátorem je threadsafe, takže zůstává konzistentní, i když je volána z různých vláken ve stejnou dobu.

V některých případech má smysl LRU vypnout a kešovat všechna volání dekorované funkce, například u hluboce rekurzivních funkcí. To zařizuje volání ve tvaru lru_cache(maxsize=None). Protože je to užitečné a v některých scénářích často užívané, Python 3.9 na to zavedl zkratku @cache:

Dekorátor @cache je pro uvedená použití rychlejší (a také méně náročný) než @lru_cache, protože nemusí řešit odstraňování hodnot, které překročily nastavený limit, z mezipaměti.

Mají-li instance tříd mezi sebou býti porovnatelné, je třeba na třídě nadefinovat odpovídající porovnávací magické metody. Přitom mají-li být porovnávací operace navzájem konzistentní, je většinu z nich možno odvodit pomocí jiných.

A právě to dokáže třídní dekorátor totalordering() – z definice jedné jediné z metod pro operace <, <=, > a >= (metody __lt__(), __le__(), __gt__() a __ge__()) odvodit zbývající. Pokud je na třídě ideálně nadefinována i metoda pro rovnost == (__eq__()), odvodí i konzistentní nerovnost != (metoda __ne__()). Příklad je k vidění u přednášky na porovnávání v Python'u.

PS: Dopočítané operátory sice šetří práci a zpřehledňují kód, nicméně jsou ale pochopitelně složitější a pomalejší než odpovídající ručně napsané.

Je třeba zmínit, že některé z dekorátorů existují i ve variantách pro metody tříd, konkrétně @cached_property, @partialmethod a @singledispatchmethod.

Jelikož metody tříd jsou v Python'u navrženy nepříliš šťastně a hlavně jejich správnou funkcionalitu zajišťují odpovídající dekorátory, musí s nimi tyto dekorátory pochopitelně spolupracovat, aby celou mašinérii tříd nerozbořily.

Podrobnosti zde ale uvádět nebudu a zájemce odkazuji na oficiální dokumentaci k modulu functools.