functools
functools es el módulo de las funciones de orden superior que ya están escritas. Cinco de sus herramientas se usan a diario en código de producción: lru_cache, partial, singledispatch, reduce y wraps. Las cinco son decoradores o fábricas de funciones, así que el capítulo anterior es el requisito.
En una línea
Sección titulada «En una línea»Antes de escribir un envoltorio, mira si functools ya lo tiene: casi siempre lo tiene.
lru_cache: memoria a cambio de tiempo
Sección titulada «lru_cache: memoria a cambio de tiempo»| Versión | Tiempo | Acierto de caché |
|---|---|---|
| Recursiva sin caché | 1.114 ms | — |
Con lru_cache |
~0 ms | 41 ns |
python mediciones/03-01-04-funciones.py
La recursiva sin caché recalcula fib(18) decenas de veces; con caché, cada valor se calcula una vez. El cambio es de cinco mil veces en un problema de veinte, y la brecha crece exponencialmente con n.
from functools import lru_cache
@lru_cache(maxsize=128)def fib(n: int) -> int: return n if n < 2 else fib(n - 1) + fib(n - 2)
fib.cache_info() # hits, misses, maxsize, currsizefib.cache_clear()maxsize=None equivale a @cache (3.9+) y crece sin límite. maxsize=128 guarda las 128 llamadas más recientes y descarta el resto por LRU.
La clave de caché son los argumentos: la función se identifica por su combinación. Eso implica que todos los argumentos deben ser hashables, y que dos llamadas con el mismo valor devuelven el mismo objeto cacheado —incluido si es mutable.
partial: fijar argumentos
Sección titulada «partial: fijar argumentos»| Forma | Coste |
|---|---|
functools.partial(f, 1)(2) |
35 ns |
lambda x: f(1, x)(2) |
50 ns |
python mediciones/03-01-04-funciones.py
Un 42 % más rápido que la lambda equivalente, y con mejor introspección (p.func, p.args). Se usa para adaptar firmas:
from functools import partialimport json
cargar = partial(json.load, parse_float=Decimal)También sirve para sorted(key=...) cuando la clave necesita un parámetro extra: sorted(datos, key=partial(calcular_peso, factor=2)).
singledispatch: despacho por tipo
Sección titulada «singledispatch: despacho por tipo»from functools import singledispatch
@singledispatchdef formatear(valor): return str(valor)
@formatear.registerdef _(valor: int): return f"{valor:,}"
@formatear.registerdef _(valor: list): return ", ".join(map(str, valor))Es la alternativa a una cadena de isinstance. La ventaja no es el rendimiento —la búsqueda es un diccionario por tipo— sino que cada tipo se registra en su propio bloque, y un módulo externo puede añadir el suyo sin tocar el original. Es polimorfismo sin herencia.
reduce: plegar una secuencia
Sección titulada «reduce: plegar una secuencia»from functools import reducefrom operator import add
reduce(add, [1, 2, 3, 4]) # 10Casi siempre hay algo mejor: sum para sumar, math.prod para multiplicar, una comprensión para transformar. reduce gana cuando la operación no existe como builtin y no se lee peor como bucle. En la práctica, se usa poco y se lee mal: la guía de estilo de Python lo desaconseja salvo que el patrón sea obvio.
cache no es lru_cache(None)
Sección titulada «cache no es lru_cache(None)»Desde 3.9 existe @cache, que es azúcar para lru_cache(maxsize=None). La diferencia práctica no es el comportamiento sino la intención: @cache dice «esto no tiene límite» y @lru_cache(maxsize=128) dice «acoto la memoria». Elegir uno u otro es documentar qué esperas del dominio de entrada.
Y @cached_property resuelve otro problema: cachear el resultado de un cálculo por instancia, no por argumentos.
from functools import cached_property
class Informe: @cached_property def total(self): return sum(self.lineas) # se calcula una vez por objetoEs el patrón correcto para propiedades caras: la primera lectura calcula, las siguientes devuelven el atributo guardado en __dict__. No sirve para clases con __slots__, precisamente porque necesita ese diccionario.
La trampa
Sección titulada «La trampa»Cuándo NO usar functools
Sección titulada «Cuándo NO usar functools»lru_cachesobre funciones con efectos. Si lee un archivo o consulta una base, cachear congela el primer resultado y oculta los cambios.partialcuando un default hace lo mismo.def f(x, factor=2)es más claro quepartial(f, factor=2)y se puede inspeccionar mejor.reducepara sumar o multiplicar.sumymath.prodexisten.singledispatchcon dos tipos. Unif isinstancede dos ramas se lee mejor; el despacho empieza a pagar a partir de cuatro o cinco.
Ejercicio
Sección titulada «Ejercicio»Una función precio_final(producto, pais) tarda 200 ms porque consulta una API de impuestos. Se llama miles de veces con los mismos veinte países. Escribe la versión con caché y explica qué pasa si mañana cambian los impuestos de un país.
Solución
from functools import lru_cache
@lru_cache(maxsize=64)def precio_final(producto, pais): return consultar_api(producto, pais)maxsize=64 cubre los veinte países con margen y acota la memoria si mañana hay doscientos.
El problema del cambio de impuestos es real: la caché devuelve el valor viejo hasta que se reinicia el proceso. Tres soluciones, en orden de simplicidad:
cache_clear()programado cuando se sabe que los tipos cambiaron (un evento, un cron).- Incluir la versión de la tabla en la clave:
precio_final(producto, pais, version_tarifas). Cuando cambia la versión, cambia la clave y la caché vieja se descarta sola. - TTL explícito con
cachetools.TTLCache, si la dependencia externa cambia sin avisar.
La lección: cachear no es una optimización transparente, es una decisión sobre cuánto tiempo puede estar equivocado un dato.
Referencias
Sección titulada «Referencias»- Ramalho, L. Fluent Python, 2ª ed. Capítulos 7 y 9.
- CPython 3.13:
Modules/_functoolsmodule.c. - Mediciones:
mediciones/03-01-04-funciones.py.
Capítulos relacionados
Sección titulada «Capítulos relacionados»- 03 · Decoradores:
lru_cachees un decorador con parámetros. - 09 · El protocolo de llamada:
partialcomo objeto con__call__. - 07 · Expresiones generadoras y pereza: cuándo la caché es peor que no calcular.