Question

假设我有一个原型为：

的函数

def my_func(fixed_param, *args)

我想用多个参数运行这个函数（每次运行不需要相同数量的参数），例如：

res = map(partial(my_func, fixed_param=3), [[1, 2, 3], [1, 2, 3, 4]])

其中[1,2,3]和[1,2,3,4]分别对应于args的第一和第二组参数。

但是这行代码失败并出现以下错误：

TypeError: my_func() got multiple values for keyword argument 'fixed_param'

Answer 1

我不太确定map vs列表理解性能，因为这通常是你使用的函数的问题。无论如何，你的选择是：

map(lambda x: my_func(3, *x), ...)

或

from itertools import starmap

starmap(partial(my_func, 3), ...)

与itertools中的所有函数一样，starmap返回一个迭代器，因此如果需要列表，则必须将其传递给list构造函数。这肯定会比listcomp慢。

编辑基准：

In [1]: def my_func(x, *args):
   ...:     return (x, ) + args
   ...: 

In [2]: from functools import partial

In [3]: from itertools import starmap

In [4]: import random

In [5]: samples = [range(random.choice(range(10))) for _ in range(100)]

In [6]: %timeit map(lambda x: my_func(3, *x), samples)
10000 loops, best of 3: 39.2 µs per loop

In [7]: %timeit list(starmap(partial(my_func, 3), samples))
10000 loops, best of 3: 33.2 µs per loop

In [8]: %timeit [my_func(3, *s) for s in samples]
10000 loops, best of 3: 32.8 µs per loop

为了便于比较，我们稍微改变一下这个功能

In [9]: def my_func(x, args):
       ...:     return (x, )  + tuple(args)
       ...: 

In [10]: %timeit [my_func(3, s) for s in samples]
10000 loops, best of 3: 37.6 µs per loop

In [11]: %timeit map(partial(my_func, 3), samples)
10000 loops, best of 3: 42.1 µs per loop

再一次，列表理解更快。

Answer 2

如果使用列表推导，则可以解压缩参数列表：

res= [my_func(3, *args) for args in [[1, 2, 3], [1, 2, 3, 4]]]

但你不能用map做到这一点。如果你坚持使用map，你需要一个辅助函数：

def unpack(args):
    return my_func(3, *args)
res= map(unpack, [[1, 2, 3], [1, 2, 3, 4]])

Answer 3

我认为您的代码只会进行一些小改动：

def f(l, all_args):
    print "Variable", all_args
    print "Fixed", l

map(partial(f, 1), [[1, 2, 3], [1, 2, 3, 4]])

>>> Variable [1, 2, 3]
>>> Fixed 1
>>> Variable [1, 2, 3, 4]
>>> Fixed 1

将可变数量的参数传递给map函数

3 个答案: