偏函数应用（Partial Application）能让 filter 更灵活——把部分条件提前固定，后续只需传入数据，不用重复写判断逻辑；它通过 functools.partial 冻结参数生成新函数，适配 filter 单函数参数要求，支持数值筛选、字符串匹配及多条件组合等场景。
偏函数应用（Partial Application）能让 filter 更灵活——把部分条件提前固定，后续只需传入数据，不用重复写判断逻辑。
为什么用 partial 配合 filter
filter 本身只接受一个函数和一个可迭代对象。但当过滤条件涉及多个参数（比如阈值、关键词、比较方式），每次调用都得重写 lambda 或定义新函数，容易冗余。partial 可以“冻结”某些参数，生成一个新函数，专用于特定场景的 filter。
基础操作：用 functools.partial 预设数值条件
例如筛选大于某值的偶数：
- 先定义通用判断函数：def is_even_and_above(n, threshold): return n % 2 == 0 and n > threshold
- 用 partial 固定 threshold：from functools import partial
filter_above_5 = partial(is_even_and_above, threshold=5) - 直接用于 filter：list(filter(filter_above_5, [1,4,6,7,8,10])) → [6, 8, 10]
处理字符串匹配类条件
比如按前缀过滤字符串列表：
- 定义通用匹配函数：def starts_with(text, prefix): return text.startswith(prefix)
- 预设前缀：filter_py = partial(starts_with, prefix="py")
- 使用：list(filter(filter_py, ["python", "java", "pytorch", "go"])) → ["python", "pytorch"]
组合多个预设条件（进阶）
partial 本身不支持“或”逻辑，但可以配合逻辑封装：
- 写一个支持多关键词的函数：def contains_any(text, keywords): return any(kw in text for kw in keywords)
- 预设关键词组：filter_data = partial(contains_any, keywords=["data", "model", "ai"])
- 再传给 filter：list(filter(filter_data, ["dataset", "image", "model_v2", "log"])) → ["dataset", "model_v2"]
注意点
partial 返回的是可调用对象，能直接传给 filter；它不会改变原函数行为，只是减少参数数量；如果预设的是可变对象（如列表），要注意引用共享问题。
