itertools và functools — Bộ công cụ lặp và kết hợp hàm

itertools là tập các hàm xây iterable mới từ iterable đã có (kết hợp, nối, tích lũy), còn functools là tập các hàm biến đổi chính bản thân hàm (gắn đối số, memoize). Cả hai đều có thể thay thế pattern for loop + tự theo dõi state trong một dòng, làm code ngắn đi rất nhiều.

Iterable — giá trị bạn có thể lặp qua

Hầu hết hàm itertools nhận "iterable" làm input và trả về iterable mới, nên đáng để xác định iterable là gì trước. Iterable (thứ bạn có thể viết bên phải for x in ___:) là bất cứ gì bạn có thể truyền cho vòng for, list(...), sum(...), hoặc map(...). list / tuple / str / dict / set / range, cộng với generator bạn tự viết (hàm dùng yield), tất cả đều hoạt động như iterable trong Python.

itertools — bộ công cụ kết hợp và lặp

itertools là module tập hợp các hàm xây iterable mới từ iterable đã có. Bốn hàm bạn dùng nhiều nhất là combinations (kết hợp không thứ tự), product (tích Descartes qua nhiều tập), chain (nối các iterable thành một), và accumulate (tổng cộng dồn hoặc tích cộng dồn). Biết bốn hàm này cho phép bạn viết lại vòng for lồng nhau và vòng lặp tự theo dõi state gọn hơn nhiều.

Liệt kê các cặp hai đồ uống chọn từ ba lựa chọn và tất cả SKU size × màu. combinations cho cặp không thứ tự, product cho tích Descartes giữa các tập.

① Hãy import combinations và product từ itertools

② Từ list đồ uống ["coffee", "tea", "juice"], hãy xây các cặp 2 với combinations, vật chất hóa, và in dưới dạng Cặp: ◯

③ Hãy xây toàn bộ tổ hợp size ["S", "M", "L"] × màu ["red", "blue"] với product, vật chất hóa, và in dưới dạng Tất cả SKU: ◯

(Nếu code chạy đúng, phần giải thích sẽ hiện ra.)

Nối hai ngày dữ liệu doanh số và tính tổng cộng dồn. chain ghép nhiều iterable thành một và accumulate quét từ trái, mang theo giá trị cộng dồn.

① Hãy import chain và accumulate từ itertools

② Hãy nối doanh số ngày 1 [120, 80] và doanh số ngày 2 [200, 150, 90] với chain, vật chất hóa, và in dưới dạng Tất cả doanh số: ◯

③ Hãy áp dụng accumulate cho kết quả nối, vật chất hóa, và in dưới dạng Tổng cộng dồn: ◯

functools.partial — gắn đối số trước

functools.partial xây một hàm mới với một số đối số đã được khóa sẵn. Khi bạn cần truyền hàm với đối số đã gắn cho callback hoặc hàm bậc cao, partial giúp bạn khỏi viết các hàm wrapper một dòng kiểu def wrapper(...): .... Bất cứ chỗ nào bạn gọi cùng một hàm lặp đi lặp lại với biến thể nhỏ trong đối số, partial cắt bỏ tiếng ồn wrapper và làm code dễ đọc hơn.

from functools import partial

def format_with_unit(price, unit):
    return f"{price}{unit}"

# Xây hàm mới với đơn vị "USD" được gắn sẵn
to_usd = partial(format_with_unit, unit="USD")

# Áp dụng cho từng giá — chỉ cần truyền price
print(to_usd(100))   # 100USD
print(to_usd(200))   # 200USD
print(to_usd(300))   # 300USD

Dùng partial để khóa exp trên power(base, exp) và rút ra hàm square / cube chuyên dụng.

① Hãy import partial từ functools

② Hãy định nghĩa def power(base, exp): trả về `base ** exp

③ Với partial, hãy xây hàm `square` với `exp=2` được khóa. Gọi square(3) và square(5) rồi in dưới dạng 3 bình phương: ◯ / 5 bình phương: ◯

④ Với partial, hãy xây hàm `cube` với `exp=3` được khóa. Gọi cube(2) rồi in dưới dạng 2 lập phương: ◯

functools.lru_cache — cache kết quả với memoize

"Tôi muốn tái sử dụng kết quả của một hàm tốn kém được gọi lặp với cùng đối số" — xuất hiện bất cứ khi nào output của hàm được xác định bởi input và tốc độ là quan trọng. Tự xây nghĩa là tự quản dict cache của riêng bạn, nhưng @lru_cache làm điều đó trong một dòng decorator.

@lru_cache là decorator cache giá trị trả về của hàm. Khi gọi lại với cùng đối số, nó trả về giá trị cache trực tiếp, bỏ qua tính toán lại. LRU (Least Recently Used — bỏ các entry không dùng lâu nhất) bỏ entry cache cũ nên bạn có thể giới hạn dùng bộ nhớ với cái gì đó như maxsize=128.

Đừng thêm vào hàm có side effect

@lru_cache giả định "cùng đối số → cùng giá trị trả về". Áp dụng nó cho hàm có side effect (đọc file / ghi DB / trả về thời gian hiện tại) hoặc kết quả thay đổi cho cùng input, và bạn sẽ có bug kết quả đầu tiên cứ trả về mãi mãi. Chỉ áp dụng cho hàm thuần (cùng input → cùng output, không side effect).

Tăng tốc Fibonacci đệ quy với @lru_cache. Ngay cả ở fib(30), số lần gọi đã rất lớn nếu không cache, nhưng với decorator nó chạy ngay.

① Hãy import lru_cache từ functools

② Hãy định nghĩa hàm fib(n) được decorate với @lru_cache(maxsize=128) (trả về n nếu n < 2, ngược lại trả về fib(n-1) + fib(n-2))

③ Hãy in fib(30) dưới dạng fib(30): ◯

④ Hãy in fib(50) dưới dạng fib(50): ◯ (không cache thì sẽ không hoàn thành trong thời gian hợp lý)

⑤ Hãy in maxsize: ◯ dùng fib.cache_info().maxsize