

干货 |10个简单好用的Python装饰器

Python训练室

2025-11-24

装饰器（Decorators）是Python中一种强大而灵活的功能，用于修改或增强函数或类的行为。装饰器本质上是一个函数，它接受另一个函数或类作为参数，并返回一个新的函数或类。它们通常用于在不修改原始代码的情况下添加额外的功能或功能。装饰器的语法使用@符号，将装饰器应用于目标函数或类。下面我们将介绍10个非常简单但是却很有用的自定义装饰器。

1、@timer:测量执行时间

优化代码性能是非常重要的。@timer装饰器可以帮助我们跟踪特定函数的执行时间。通过用这个装饰器包装函数，我可以快速识别瓶颈并优化代码的关键部分。下面是它的工作原理:

import time
 def timer(func):    def wrapper(*args, **kwargs):        start_time = time.time()        result = func(*args, **kwargs)        end_time = time.time()        print(f"{func.__name__} took {end_time - start_time:.2f} seconds to execute.")        return result    return wrapper @timer def my_data_processing_function():    # Your data processing code here

将@timer与其他装饰器结合使用，可以全面地分析代码的性能。

2、@memoize:缓存结果

在数据科学中，我们经常使用计算成本很高的函数。@memoize装饰器帮助我缓存函数结果，避免了相同输入的冗余计算，显著加快工作流程:

def memoize(func):    cache = {}
def wrapper(*args):        if args in cache:            return cache[args]        result = func(*args)        cache[args] = result        return result    return wrapper @memoize def fibonacci(n):    if n <= 1:        return n    return fibonacci(n - 1) + fibonacci(n - 2)

在递归函数中也可以使用@memoize来优化重复计算。

3、@validate_input:数据验证

数据完整性至关重要，@validate_input装饰器可以验证函数参数，确保它们在继续计算之前符合特定的标准:

def validate_input(func):    def wrapper(*args, **kwargs):        # Your data validation logic here        if valid_data:            return func(*args, **kwargs)        else:            raise ValueError("Invalid data. Please check your inputs.")
 return wrapper @validate_input def analyze_data(data):    # Your data analysis code here

可以方便的使用@validate_input在数据科学项目中一致地实现数据验证。

4、@log_results:日志输出

在运行复杂的数据分析时，跟踪每个函数的输出变得至关重要。@log_results装饰器可以帮助我们记录函数的结果，以便于调试和监控:

def log_results(func):    def wrapper(*args, **kwargs):        result = func(*args, **kwargs)        with open("results.log", "a") as log_file:            log_file.write(f"{func.__name__} - Result: {result}\n")        return result
 return wrapper @log_results def calculate_metrics(data):    # Your metric calculation code here

将@log_results与日志库结合使用，以获得更高级的日志功能。

5、@suppress_errors:优雅的错误处理

数据科学项目经常会遇到意想不到的错误，可能会破坏整个计算流程。@suppress_errors装饰器可以优雅地处理异常并继续执行:

def suppress_errors(func):    def wrapper(*args, **kwargs):        try:            return func(*args, **kwargs)        except Exception as e:            print(f"Error in {func.__name__}: {e}")            return None
 return wrapper @suppress_errors def preprocess_data(data):    # Your data preprocessing code here

@suppress_errors可以避免隐藏严重错误，还可以进行错误的详细输出，便于调试。

6、@validate_output:确保质量结果

确保数据分析的质量至关重要。@validate_output装饰器可以帮助我们验证函数的输出，确保它在进一步处理之前符合特定的标准:

def validate_output(func):    def wrapper(*args, **kwargs):        result = func(*args, **kwargs)        if valid_output(result):            return result        else:            raise ValueError("Invalid output. Please check your function logic.")
 return wrapper @validate_output def clean_data(data):    # Your data cleaning code here

这样可以始终为验证函数输出定义明确的标准。

7、@retry:重试执行

@retry装饰器帮助我在遇到异常时重试函数执行，确保更大的弹性:

import time
 def retry(max_attempts, delay):    def decorator(func):        def wrapper(*args, **kwargs):            attempts = 0            while attempts < max_attempts:                try:                    return func(*args, **kwargs)                except Exception as e:                    print(f"Attempt {attempts + 1} failed. Retrying in {delay} seconds.")                    attempts += 1                    time.sleep(delay)            raise Exception("Max retry attempts exceeded.")        return wrapper    return decorator @retry(max_attempts=3, delay=2) def fetch_data_from_api(api_url):    # Your API data fetching code here

使用@retry时应避免过多的重试。

8、@visualize_results:漂亮的可视化

@visualize_results装饰器数据分析中自动生成漂亮的可视化结果

import matplotlib.pyplot as plt
 def visualize_results(func):    def wrapper(*args, **kwargs):        result = func(*args, **kwargs)        plt.figure()        # Your visualization code here        plt.show()        return result    return wrapper @visualize_results def analyze_and_visualize(data):    # Your combined analysis and visualization code here

9、@debug:调试变得更容易

调试复杂的代码可能非常耗时。@debug装饰器可以打印函数的输入参数和它们的值，以便于调试:

defdebug(func):    def wrapper(*args, **kwargs):        print(f"Debugging {func.__name__} - args: {args}, kwargs: {kwargs}")        return func(*args, **kwargs)
 return wrapper @debug def complex_data_processing(data, threshold=0.5):    # Your complex data processing code here

10、@deprecated:处理废弃的函数

随着我们的项目更新迭代，一些函数可能会过时。@deprecated装饰器可以在一个函数不再被推荐时通知用户:

import warnings
 def deprecated(func):    def wrapper(*args, **kwargs):        warnings.warn(f"{func.__name__} is deprecated and will be removed in future versions.", DeprecationWarning)        return func(*args, **kwargs)    return wrapper @deprecated def old_data_processing(data):    # Your old data processing code here