粗略地说，partial做的事情是这样的(除了关键字参数支持等):

def partial(func, *part_args):
    def wrapper(*extra_args):
        args = list(part_args)
        args.extend(extra_args)
        return func(*args)

    return wrapper

因此，通过调用partial(sum2,4)，您创建了一个新函数(准确地说，是一个可调用函数)，它的行为与sum2类似，但少了一个位置参数。缺少的参数总是被4代替，因此partial(sum2, 4)(2) == sum2(4,2)

至于为什么需要它，有各种各样的情况。举个例子，假设你必须将一个函数传递到有两个参数的地方:

class EventNotifier(object):
    def __init__(self):
        self._listeners = []

    def add_listener(self, callback):
        ''' callback should accept two positional arguments, event and params '''
        self._listeners.append(callback)
        # ...

    def notify(self, event, *params):
        for f in self._listeners:
            f(event, params)

但是你已经拥有的函数需要访问第三个context对象来完成它的工作:

def log_event(context, event, params):
    context.log_event("Something happened %s, %s", event, params)

因此，有几个解决方案:

自定义对象:

class Listener(object):
   def __init__(self, context):
       self._context = context

   def __call__(self, event, params):
       self._context.log_event("Something happened %s, %s", event, params)


 notifier.add_listener(Listener(context))

λ:

log_listener = lambda event, params: log_event(context, event, params)
notifier.add_listener(log_listener)

分音:

context = get_context()  # whatever
notifier.add_listener(partial(log_event, context))

在这三种方法中，偏微分是最短和最快的。 (对于更复杂的情况，您可能需要一个自定义对象)。

偏导数非常有用。

例如，在“管道式”函数调用序列中(其中一个函数的返回值是传递给下一个函数的参数)。

有时，这样的管道中的函数需要一个参数，但它的上游函数返回两个值。

在这个场景中，使用functools。Partial可能允许您保持这个函数管道的完整性。

这里有一个具体的孤立的例子:假设你想要根据每个数据点到某个目标的距离对一些数据进行排序:

# create some data
import random as RND
fnx = lambda: RND.randint(0, 10)
data = [ (fnx(), fnx()) for c in range(10) ]
target = (2, 4)

import math
def euclid_dist(v1, v2):
    x1, y1 = v1
    x2, y2 = v2
    return math.sqrt((x2 - x1)**2 + (y2 - y1)**2)

要根据与目标的距离对这些数据进行排序，你需要做的当然是:

data.sort(key=euclid_dist)

但你不能——sort方法的key形参只接受接受单个参数的函数。

所以把euclid_dist重写成一个带单参数的函数:

from functools import partial

p_euclid_dist = partial(euclid_dist, target)

P_euclid_dist现在接受一个参数，

>>> p_euclid_dist((3, 3))
  1.4142135623730951

所以现在你可以通过传入sort方法的key参数的partial函数来排序你的数据:

data.sort(key=p_euclid_dist)

# verify that it works:
for p in data:
    print(round(p_euclid_dist(p), 3))

    1.0
    2.236
    2.236
    3.606
    4.243
    5.0
    5.831
    6.325
    7.071
    8.602

或者，例如，函数的一个参数在外部循环中发生了变化，但在内部循环的迭代中是固定的。通过使用partial，您不必在内部循环迭代期间传递额外的参数，因为修改后的(partial)函数不需要它。

>>> from functools import partial

>>> def fnx(a, b, c):
      return a + b + c

>>> fnx(3, 4, 5)
      12

创建一个局部函数(使用关键字arg)

>>> pfnx = partial(fnx, a=12)

>>> pfnx(b=4, c=5)
     21

您还可以使用位置参数创建偏函数

>>> pfnx = partial(fnx, 12)

>>> pfnx(4, 5)
      21

但这将抛出(例如，使用关键字参数创建partial，然后使用位置参数调用)

>>> pfnx = partial(fnx, a=12)

>>> pfnx(4, 5)
      Traceback (most recent call last):
      File "<pyshell#80>", line 1, in <module>
      pfnx(4, 5)
      TypeError: fnx() got multiple values for keyword argument 'a'

另一个用例:使用python的多处理库编写分布式代码。使用pool方法创建进程池:

>>> import multiprocessing as MP

>>> # create a process pool:
>>> ppool = MP.Pool()

Pool有一个map方法，但它只接受一个可迭代对象，所以如果你需要传入一个具有更长的形参列表的函数，请将该函数重新定义为partial，以修复除一个以外的所有函数:

>>> ppool.map(pfnx, [4, 6, 7, 8])

偏导数可以用来生成一些预先赋值的输入参数的新派生函数

要了解一些在现实世界中使用偏分式的用法，请参考这里的这篇非常好的博客文章

这是一个简单但简洁的初学者示例，介绍了如何在re.search中使用partial来使代码更具可读性。Re.search方法的签名为:

search(pattern, string, flags=0) 

通过应用partial，我们可以创建多个版本的正则表达式搜索来满足我们的需求，例如:

is_spaced_apart = partial(re.search, '[a-zA-Z]\s\=')
is_grouped_together = partial(re.search, '[a-zA-Z]\=')

现在is_spaced_apart和is_grouped_together是派生自re.search的两个新函数，它们应用了pattern参数(因为pattern是re.search方法签名中的第一个参数)。

这两个新函数(可调用)的签名是:

is_spaced_apart(string, flags=0)     # pattern '[a-zA-Z]\s\=' applied
is_grouped_together(string, flags=0) # pattern '[a-zA-Z]\=' applied

这就是你如何在一些文本上使用这些partial函数:

for text in lines:
    if is_grouped_together(text):
        some_action(text)
    elif is_spaced_apart(text):
        some_other_action(text)
    else:
        some_default_action()

你可以参考上面的链接来更深入地了解这个主题，因为它涵盖了这个特定的例子和更多。

简而言之，partial为函数的参数提供默认值，否则这些参数将没有默认值。

from functools import partial

def foo(a,b):
    return a+b

bar = partial(foo, a=1) # equivalent to: foo(a=1, b)
bar(b=10)
#11 = 1+10
bar(a=101, b=10)
#111=101+10

在我看来，这是在python中实现curry的一种方式。

from functools import partial
def add(a,b):
    return a + b

def add2number(x,y,z):
    return x + y + z

if __name__ == "__main__":
    add2 = partial(add,2)
    print("result of add2 ",add2(1))
    add3 = partial(partial(add2number,1),2)
    print("result of add3",add3(1))

结果是3和4。

另外值得一提的是，当部分函数传递给另一个函数时，我们想要“硬编码”一些参数，那应该是最右边的参数

def func(a,b):
    return a*b
prt = partial(func, b=7)
    print(prt(4))
#return 28

但如果我们做同样的事情，只是改变一个参数

def func(a,b):
    return a*b
 prt = partial(func, a=7)
    print(prt(4))

它会抛出错误， "TypeError: func()获得了参数'a'的多个值"

这个答案更像是一个示例代码。以上所有答案都很好地解释了为什么应该使用partial。我将给出关于partial的观察和用例。

from functools import partial
 def adder(a,b,c):
    print('a:{},b:{},c:{}'.format(a,b,c))
    ans = a+b+c
    print(ans)
partial_adder = partial(adder,1,2)
partial_adder(3)  ## now partial_adder is a callable that can take only one argument

上述代码的输出应该是:

a:1,b:2,c:3
6

注意，在上面的例子中，返回了一个新的可调用对象，它将形参(c)作为参数。注意，它也是函数的最后一个参数。

args = [1,2]
partial_adder = partial(adder,*args)
partial_adder(3)

上述代码的输出也是:

a:1,b:2,c:3
6

注意，*用于解包非关键字参数，返回的可调用对象的参数与上面相同。

另一个观察结果是: 下面的示例演示了partial返回一个可调用对象，该对象将接受 未声明的形参(a)作为参数。

def adder(a,b=1,c=2,d=3,e=4):
    print('a:{},b:{},c:{},d:{},e:{}'.format(a,b,c,d,e))
    ans = a+b+c+d+e
    print(ans)
partial_adder = partial(adder,b=10,c=2)
partial_adder(20)

上述代码的输出应该是:

a:20,b:10,c:2,d:3,e:4
39

同样的,

kwargs = {'b':10,'c':2}
partial_adder = partial(adder,**kwargs)
partial_adder(20)

以上代码打印

a:20,b:10,c:2,d:3,e:4
39

我在使用Pool的时候不得不使用它。多处理模块的Map_async方法。你只能将一个参数传递给worker函数，所以我必须使用partial使我的worker函数看起来像一个只有一个输入参数的可调用对象，但实际上我的worker函数有多个输入参数。

从机器学习的例子中加入了函数式编程的functools。Partial非常有用:

在同一数据集上构建多个模型

下面的例子展示了如何在同一个糖尿病数据集上拟合线性回归、支持向量机和随机森林回归模型，以预测目标并计算得分。

(部分)函数classify_diabetes()是通过curry(使用functools.partial())从函数classify_data()创建的。后面的函数不再需要传递数据，我们可以直接只传递模型类的实例。

from functools import partial
from sklearn.linear_model import LinearRegression
from sklearn.svm import SVR
from sklearn.ensemble import RandomForestRegressor
from sklearn.datasets import load_diabetes

def classify_data(data, model):
    reg = model.fit(data['data'], data['target'])
    return model.score(data['data'], data['target'])

diabetes = load_diabetes()
classify_diabetes = partial(classify_data, diabetes) # curry
for model in [LinearRegression(), SVR(), RandomForestRegressor()]:
    print(f'model {type(model).__name__}: score = {classify_diabetes(model)}')

# model LinearRegression: score = 0.5177494254132934
# model SVR: score = 0.2071794500005485
# model RandomForestRegressor: score = 0.9216794155402649

建立机器学习管道

在这里，函数pipeline()是用咖喱创建的，它已经使用StandardScaler()在拟合模型之前对数据进行预处理(缩放/规范化)，如下面的例子所示:

from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler

pipeline = partial(make_pipeline, StandardScaler()) # curry    
for model in [LinearRegression(), SVR(), RandomForestRegressor()]:
    print(f"model {type(model).__name__}: " \
          f"score = {pipeline(model).fit(diabetes['data'], diabetes['target'])\
                                 .score(diabetes['data'], diabetes['target'])}")

# model LinearRegression: score = 0.5177494254132934
# model SVR: score = 0.2071794500005446
# model RandomForestRegressor: score = 0.9180227193805106