"functools" --- Fonctions de haut niveau et opérations sur des objets appelables
********************************************************************************

**Code source :** Lib/functools.py

======================================================================

Le module "functools" est utilisé pour des fonctions de haut niveau :
des fonctions qui agissent sur ou revoient d'autres fonctions. En
général, tout objet appelable peut être utilisé comme une fonction
pour les besoins de ce module.

Le module "functools" définit les fonctions suivantes :

@functools.cached_property(func)

   Transform a method of a class into a property whose value is
   computed once and then cached as a normal attribute for the life of
   the instance. Similar to "property()", with the addition of
   caching. Useful for expensive computed properties of instances that
   are otherwise effectively immutable.

   Exemple :

      class DataSet:
          def __init__(self, sequence_of_numbers):
              self._data = sequence_of_numbers

          @cached_property
          def stdev(self):
              return statistics.stdev(self._data)

          @cached_property
          def variance(self):
              return statistics.variance(self._data)

   Nouveau dans la version 3.8.

   Note:

     This decorator requires that the "__dict__" attribute on each
     instance be a mutable mapping. This means it will not work with
     some types, such as metaclasses (since the "__dict__" attributes
     on type instances are read-only proxies for the class namespace),
     and those that specify "__slots__" without including "__dict__"
     as one of the defined slots (as such classes don't provide a
     "__dict__" attribute at all).

functools.cmp_to_key(func)

   Transforme une fonction de comparaison à l'ancienne en une
   *fonction clé*.  Utilisé avec des outils qui acceptent des
   fonctions clef (comme "sorted()", "min()", "max()",
   "heapq.nlargest()", "heapq.nsmallest()", "itertools.groupby()").
   Cette fonction est destinée au portage de fonctions python 2
   utilisant des fonctions de comparaison vers Python 3.

   Une fonction de comparaison est un appelable qui prend deux
   arguments, les compare, et renvoie un nombre négatif pour
   l'infériorité, zéro pour l'égalité ou un nombre positif pour la
   supériorité.  Une fonction de clé est un appelable qui prend un
   argument et retourne une autre valeur qui sera utilisée comme clé
   de tri.

   Exemple :

      sorted(iterable, key=cmp_to_key(locale.strcoll))  # locale-aware sort order

   Pour des exemples de tris et un bref tutoriel, consultez Guide pour
   le tri.

   Nouveau dans la version 3.2.

@functools.lru_cache(user_function)
@functools.lru_cache(maxsize=128, typed=False)

   Décorateur qui englobe une fonction avec un appelable mémoïsant qui
   enregistre jusqu'à *maxsize* appels récents. Cela peut gagner du
   temps quand une fonction coûteuse en ressources est souvent appelée
   avec les mêmes arguments.

   Comme un dictionnaire est utilisé pour mettre en cache les
   résultats, les arguments positionnels et nommés de la fonction
   doivent être hachables.

   Des agencements différents des arguments peuvent être considérés
   comme des appels différents avec chacun leur propre entrée dans le
   cache. Par exemple, *f(a=1, b=2)* et *f(b=2, a=1)* n'ont pas leurs
   arguments dans le même ordre, ce qui peut conduire à des entrées
   séparées dans le cache.

   Si *user_function* est défini, ce doit être un appelable. Ceci
   permet à *lru_cache* d'être appliqué directement sur une fonction
   de l'utilisateur, sans préciser *maxsize* (qui est alors défini à
   sa valeur par défaut, 128) :

      @lru_cache
      def count_vowels(sentence):
          sentence = sentence.casefold()
          return sum(sentence.count(vowel) for vowel in 'aeiou')

   Si *maxsize* est à "None", la fonctionnalité LRU est désactivée et
   le cache peut grossir sans limite.

   Si *typed* est vrai, les arguments de différents types seront mis
   en cache séparément.  Par exemple, "f(3)" et "f(3.0)" seront
   considérés comme des appels distincts avec des résultats distincts.

   Pour aider à mesurer l'efficacité du cache et ajuster le paramètre
   *maxsize*, la fonction englobée est surveillée avec une fonction
   "cache_info()" qui renvoie un *named tuple* affichant les *hits*,
   *misses*, *maxsize* et *currsize*.  Dans un environnement
   *multithread*, les succès et échecs d'appel du cache sont
   approximatifs.

   Le décorateur fournit également une fonction "cache_clear()" pour
   vider ou invalider le cache.

   La fonction sous-jacente originale est accessible à travers
   l'attribut "__wrapped__".  Ceci est utile pour l'introspection,
   pour outrepasser le cache, ou pour ré-englober la fonction avec un
   cache différent.

   Un cache LRU (*least recently used*) fonctionne très bien lorsque
   les appels récents sont les prochains appels les plus probables
   (par exemple, les articles les plus lus d'un serveur d'actualités
   ont tendance à ne changer que d'un jour à l'autre). La taille
   limite du cache permet de s'assurer que le cache ne grossisse pas
   sans limite sur les processus longs comme les serveurs web.

   En général, le cache LRU ne doit être utilisé que quand vous voulez
   ré-utiliser les valeurs déjà calculées. Ainsi, cela n'a pas de sens
   de mettre un cache sur une fonction qui a des effets de bord, qui
   doit créer un objet mutable distinct à chaque appel ou des
   fonctions *impures* telles que "!time()" ou "!random()".

   Exemple d'un cache LRU pour du contenu web statique :

      @lru_cache(maxsize=32)
      def get_pep(num):
          'Retrieve text of a Python Enhancement Proposal'
          resource = 'http://www.python.org/dev/peps/pep-%04d/' % num
          try:
              with urllib.request.urlopen(resource) as s:
                  return s.read()
          except urllib.error.HTTPError:
              return 'Not Found'

      >>> for n in 8, 290, 308, 320, 8, 218, 320, 279, 289, 320, 9991:
      ...     pep = get_pep(n)
      ...     print(n, len(pep))

      >>> get_pep.cache_info()
      CacheInfo(hits=3, misses=8, maxsize=32, currsize=8)

   Exemple de calcul efficace de la suite de Fibonacci en utilisant un
   cache pour implémenter la technique de programmation dynamique :

      @lru_cache(maxsize=None)
      def fib(n):
          if n < 2:
              return n
          return fib(n-1) + fib(n-2)

      >>> [fib(n) for n in range(16)]
      [0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233, 377, 610]

      >>> fib.cache_info()
      CacheInfo(hits=28, misses=16, maxsize=None, currsize=16)

   Nouveau dans la version 3.2.

   Modifié dans la version 3.3: L'option *typed* a été ajoutée.

   Modifié dans la version 3.8: Ajout de l'option *user_function*.

@functools.total_ordering

   A partir d'une classe définissant une ou plusieurs méthodes de
   comparaison riches, ce décorateur de classe fournit le reste.  Ceci
   simplifie l'effort à fournir dans la spécification de toutes les
   opérations de comparaison riche :

   La classe doit définir au moins une de ces méthodes "__lt__()",
   "__le__()", "__gt__()", or "__ge__()". De plus, la classe doit
   fournir une méthode "__eq__()".

   Par exemple :

      @total_ordering
      class Student:
          def _is_valid_operand(self, other):
              return (hasattr(other, "lastname") and
                      hasattr(other, "firstname"))
          def __eq__(self, other):
              if not self._is_valid_operand(other):
                  return NotImplemented
              return ((self.lastname.lower(), self.firstname.lower()) ==
                      (other.lastname.lower(), other.firstname.lower()))
          def __lt__(self, other):
              if not self._is_valid_operand(other):
                  return NotImplemented
              return ((self.lastname.lower(), self.firstname.lower()) <
                      (other.lastname.lower(), other.firstname.lower()))

   Note:

     Même si ce décorateur permet de créer des types ordonnables
     facilement, cela vient avec un *coût* d'exécution et des traces
     d'exécution complexes pour les méthodes de comparaison dérivées.
     Si des tests de performances le révèlent comme un goulot
     d'étranglement, l'implémentation manuelle des six méthodes de
     comparaison riches résoudra normalement vos problèmes de
     rapidité.

   Nouveau dans la version 3.2.

   Modifié dans la version 3.4: Retourner NotImplemented dans les
   fonction de comparaison sous-jacentes pour les types non reconnus
   est maintenant supporté.

functools.partial(func, /, *args, **keywords)

   Retourne un nouvel objet partiel qui, quand il est appelé,
   fonctionne comme *func* appelée avec les arguments positionnels
   *args* et les arguments nommés *keywords*. Si plus d'arguments sont
   fournis à l'appel, ils sont ajoutés à *args*. Si plus d'arguments
   nommés sont fournis, ils étendent et surchargent *keywords*. À peu
   près équivalent à :

      def partial(func, /, *args, **keywords):
          def newfunc(*fargs, **fkeywords):
              newkeywords = {**keywords, **fkeywords}
              return func(*args, *fargs, **newkeywords)
          newfunc.func = func
          newfunc.args = args
          newfunc.keywords = keywords
          return newfunc

   "partial()" est utilisé pour une application de fonction partielle
   qui "gèle" une portion des arguments et/ou mots-clés d'une fonction
   donnant un nouvel objet avec une signature simplifiée.  Par
   exemple, "partial()" peut être utilisé pour créer un appelable qui
   se comporte comme la fonction "int()" ou l'argument *base* est deux
   par défaut :

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

class functools.partialmethod(func, /, *args, **keywords)

   Retourne un nouveau descripteur "partialmethod" qui se comporte
   comme "partial" sauf qu'il est fait pour être utilisé comme une
   définition de méthode plutôt que d'être appelé directement.

   *func* doit être un *descriptor* ou un appelable (les objets qui
   sont les deux, comme les fonction normales, sont gérés comme des
   descripteurs).

   Quand *func* est un descripteur (comme une fonction Python normale,
   "classmethod()", "staticmethod()", "abstractmethod()" ou une autre
   instance de "partialmethod"), les appels à "__get__" sont délégués
   au descripteur sous-jacent, et un objet partiel approprié est
   renvoyé comme résultat.

   Quand *func* est un appelable non-descripteur, une méthode liée
   appropriée est crée dynamiquement. Elle se comporte comme une
   fonction Python normale quand elle est utilisée comme méthode :
   l'argument *self* sera inséré comme premier argument positionnel,
   avant les *args* et *keywords* fournis au constructeur
   "partialmethod".

   Exemple :

      >>> class Cell(object):
      ...     def __init__(self):
      ...         self._alive = False
      ...     @property
      ...     def alive(self):
      ...         return self._alive
      ...     def set_state(self, state):
      ...         self._alive = bool(state)
      ...     set_alive = partialmethod(set_state, True)
      ...     set_dead = partialmethod(set_state, False)
      ...
      >>> c = Cell()
      >>> c.alive
      False
      >>> c.set_alive()
      >>> c.alive
      True

   Nouveau dans la version 3.4.

functools.reduce(function, iterable[, initializer])

   Applique *function* avec deux arguments cumulativement aux éléments
   de *iterable*, de gauche à droite, pour réduire la séquence à une
   valeur unique. Par exemple, "reduce(lambda x, y: x+y, [1, 2, 3, 4,
   5])" calcule "((((1+2)+3)+4)+5)". L'argument de gauche, *x*, est la
   valeur de cumul et celui de droite, *y*, est la valeur mise à jour
   depuis *iterable*. Si l'argument optionnel *initializer* est
   présent, il est placé avant les éléments de la séquence dans le
   calcul, et sert de valeur par défaut quand la séquence est vide. Si
   *initializer* n'est pas renseigné et que *iterable* ne contient
   qu'un élément, le premier élément est renvoyé.

   Sensiblement équivalent à :

      def reduce(function, iterable, initializer=None):
          it = iter(iterable)
          if initializer is None:
              value = next(it)
          else:
              value = initializer
          for element in it:
              value = function(value, element)
          return value

   Voir "itertools.accumulate()" pour un itérateur qui génère toutes
   les valeurs intermédiaires.

@functools.singledispatch

   Transforme une fonction en une *fonction générique* *single-
   dispatch*.

   Pour définir une fonction générique, il faut la décorer avec le
   décorateur "@singledispatch". Noter que la distribution est
   effectuée sur le type du premier argument, donc la fonction doit
   être créée en conséquence :

      >>> from functools import singledispatch
      >>> @singledispatch
      ... def fun(arg, verbose=False):
      ...     if verbose:
      ...         print("Let me just say,", end=" ")
      ...     print(arg)

   Pour ajouter des surcharges d'implémentation à la fonction,
   utiliser l'attribut "register()" de la fonction générique.  C'est
   un décorateur.  Pour les fonctions annotées avec des types, le
   décorateur infère le type du premier argument automatiquement :

      >>> @fun.register
      ... def _(arg: int, verbose=False):
      ...     if verbose:
      ...         print("Strength in numbers, eh?", end=" ")
      ...     print(arg)
      ...
      >>> @fun.register
      ... def _(arg: list, verbose=False):
      ...     if verbose:
      ...         print("Enumerate this:")
      ...     for i, elem in enumerate(arg):
      ...         print(i, elem)

   Pour le code qui n’utilise pas les indications de type, le type
   souhaité peut être passé explicitement en argument au décorateur :

      >>> @fun.register(complex)
      ... def _(arg, verbose=False):
      ...     if verbose:
      ...         print("Better than complicated.", end=" ")
      ...     print(arg.real, arg.imag)
      ...

   Pour permettre l'enregistrement de *lambdas* et de fonctions
   pré-existantes, l'attribut "register()" peut être utilisé sous
   forme fonctionnelle :

      >>> def nothing(arg, verbose=False):
      ...     print("Nothing.")
      ...
      >>> fun.register(type(None), nothing)

   L'attribut "register()" renvoie la fonction non décorée ce qui
   permet d'empiler les décorateurs, la sérialisation, et la création
   de tests unitaires pour chaque variante indépendamment :

      >>> @fun.register(float)
      ... @fun.register(Decimal)
      ... def fun_num(arg, verbose=False):
      ...     if verbose:
      ...         print("Half of your number:", end=" ")
      ...     print(arg / 2)
      ...
      >>> fun_num is fun
      False

   Quand elle est appelée, la fonction générique distribue sur le type
   du premier argument :

      >>> fun("Hello, world.")
      Hello, world.
      >>> fun("test.", verbose=True)
      Let me just say, test.
      >>> fun(42, verbose=True)
      Strength in numbers, eh? 42
      >>> fun(['spam', 'spam', 'eggs', 'spam'], verbose=True)
      Enumerate this:
      0 spam
      1 spam
      2 eggs
      3 spam
      >>> fun(None)
      Nothing.
      >>> fun(1.23)
      0.615

   Quand il n'y a pas d'implémentation enregistrée pour un type
   spécifique, son ordre de résolution de méthode est utilisé pour
   trouver une implémentation plus générique. La fonction originale
   est décorée avec "@singledispatch" est enregistrée pour le type
   d'"object", et elle sera utilisée si aucune implémentation n'est
   trouvée.

   Pour vérifier quelle implémentation la fonction générique choisira
   pour un type donné, utiliser l'attribut "dispatch()" :

      >>> fun.dispatch(float)
      <function fun_num at 0x1035a2840>
      >>> fun.dispatch(dict)    # note: default implementation
      <function fun at 0x103fe0000>

   Pour accéder à toutes les implémentations enregistrées, utiliser
   l'attribut en lecture seule "registry" :

      >>> fun.registry.keys()
      dict_keys([<class 'NoneType'>, <class 'int'>, <class 'object'>,
                <class 'decimal.Decimal'>, <class 'list'>,
                <class 'float'>])
      >>> fun.registry[float]
      <function fun_num at 0x1035a2840>
      >>> fun.registry[object]
      <function fun at 0x103fe0000>

   Nouveau dans la version 3.4.

   Modifié dans la version 3.7: L’attribut "register()" gère
   l’utilisation des indications de type.

class functools.singledispatchmethod(func)

   Transforme une méthode en une *fonction générique* *single-
   dispatch*.

   To define a generic method, decorate it with the
   "@singledispatchmethod" decorator. Note that the dispatch happens
   on the type of the first non-self or non-cls argument, create your
   function accordingly:

      class Negator:
          @singledispatchmethod
          def neg(self, arg):
              raise NotImplementedError("Cannot negate a")

          @neg.register
          def _(self, arg: int):
              return -arg

          @neg.register
          def _(self, arg: bool):
              return not arg

   "@singledispatchmethod" supports nesting with other decorators such
   as "@classmethod". Note that to allow for "dispatcher.register",
   "singledispatchmethod" must be the *outer most* decorator. Here is
   the "Negator" class with the "neg" methods being class bound:

      class Negator:
          @singledispatchmethod
          @classmethod
          def neg(cls, arg):
              raise NotImplementedError("Cannot negate a")

          @neg.register
          @classmethod
          def _(cls, arg: int):
              return -arg

          @neg.register
          @classmethod
          def _(cls, arg: bool):
              return not arg

   The same pattern can be used for other similar decorators:
   "staticmethod", "abstractmethod", and others.

   Nouveau dans la version 3.8.

functools.update_wrapper(wrapper, wrapped, assigned=WRAPPER_ASSIGNMENTS, updated=WRAPPER_UPDATES)

   Met à jour la fonction *wrapper* pour ressembler à la fonction
   *wrapped*. Les arguments optionnels sont des tuples pour spécifier
   quels attributs de la fonction originale sont assignés directement
   aux attributs correspondants sur la fonction englobante et quels
   attributs de la fonction englobante sont mis à jour avec les
   attributs de la fonction originale. Les valeurs par défaut de ces
   arguments sont les constantes au niveau du module
   "WRAPPER_ASSIGNMENTS" (qui assigne "__module__", "__name__",
   "__qualname__", "__annotations__" et "__doc__", la chaîne de
   documentation, depuis la fonction englobante) et "WRAPPER_UPDATES"
   (qui met à jour le "__dict__" de la fonction englobante,
   c'est-à-dire le dictionnaire de l'instance).

   Pour autoriser l'accès à la fonction originale pour l'introspection
   ou à d'autres fins (par ex. outrepasser l'accès à un décorateur de
   cache comme "lru_cache()"), cette fonction ajoute automatiquement
   un attribut "__wrapped__" qui référence la fonction englobée.

   La principale utilisation de cette fonction est dans les
   *décorateurs* qui renvoient une nouvelle fonction. Si la fonction
   crée n'est pas mise à jour, ses métadonnées refléteront sa
   définition dans le décorateur, au lieu de la définition originale,
   métadonnées souvent bien moins utiles.

   "update_wrapper()" peut être utilisé avec des appelables autres que
   des fonctions. Tout attribut défini dans *assigned* ou *updated*
   qui ne sont pas l'objet englobé sont ignorés (cette fonction
   n'essaiera pas de les définir dans la fonction englobante).
   "AttributeError" est toujours levée si le fonction englobante elle
   même a des attributs non existants dans *updated*.

   Nouveau dans la version 3.2: Ajout automatique de l'attribut
   "__wrapped__".

   Nouveau dans la version 3.2: Copie de l'attribut "__annotations__"
   par défaut.

   Modifié dans la version 3.2: Les attributs manquants ne lèvent plus
   d'exception "AttributeError".

   Modifié dans la version 3.4: L'attribut "__wrapped__" renvoie
   toujours la fonction englobée, même si cette fonction définit un
   attribut "__wrapped__". (voir bpo-17482)

@functools.wraps(wrapped, assigned=WRAPPER_ASSIGNMENTS, updated=WRAPPER_UPDATES)

   Ceci est une fonction d'aide pour appeler "update_wrapper()"  comme
   décorateur de fonction lors de la définition d'une fonction
   englobante.  C'est équivalent à  "partial(update_wrapper,
   wrapped=wrapped, assigned=assigned, updated=updated)". Par exemple
   :

      >>> from functools import wraps
      >>> def my_decorator(f):
      ...     @wraps(f)
      ...     def wrapper(*args, **kwds):
      ...         print('Calling decorated function')
      ...         return f(*args, **kwds)
      ...     return wrapper
      ...
      >>> @my_decorator
      ... def example():
      ...     """Docstring"""
      ...     print('Called example function')
      ...
      >>> example()
      Calling decorated function
      Called example function
      >>> example.__name__
      'example'
      >>> example.__doc__
      'Docstring'

   Sans l'utilisation de cette usine à décorateur, le nom de la
   fonction d'exemple aurait été "'wrapper'", et la chaîne de
   documentation de la fonction "example()" originale aurait été
   perdue.


Objets "partial"
================

Les objets "partial" sont des objets appelables créés par "partial()".
Ils ont trois attributs en lecture seule :

partial.func

   Un objet ou une fonction appelable.  Les appels à l'objet "partial"
   seront transmis à "func" avec les nouveaux arguments et mots-clés.

partial.args

   Les arguments positionnels qui seront ajoutés avant les arguments
   fournis lors de l'appel d'un objet "partial".

partial.keywords

   Les arguments nommés qui seront fournis quand l'objet "partial" est
   appelé.

Les objets "partial" sont comme des objets "function" de par le fait
qu'il sont appelables, référençables, et peuvent avoir des attributs.
Il y a cependant des différences importantes.  Par exemple, les
attributs "__name__" et "__doc__" ne sont pas créés automatiquement.
De plus, les objets "partial" définis dans les classes se comportent
comme des méthodes statiques et ne se transforment pas en méthodes
liées durant la recherche d'attributs dans l'instance.
