在 Python 中，假设我有一个函数f，我想传递一些辅助参数（为简单起见，假设它只是第一个保持变量的参数）。
这两种方式（如果有的话）有什么区别？
# Assume secondary_args and secondary_kwargs have been defined
import functools
g1 = functools.partial(f, *secondary_args, **secondary_kwargs)
g2 = lambda x: f(x, *secondary_args, **secondary_kwargs)
例如，在文档页面中partial，有这样的引用：
partial在类中定义的对象的行为类似于静态方法，并且在实例属性查找期间不会转换为绑定方法。
如果使用提供给类的参数（在构造函数中或稍后通过函数）创建类方法，lambda 方法是否会受到此影响？
lambda 函数与标准函数具有相同的类型，因此它的行为类似于实例方法。
您示例中的partial对象可以这样调用：
g1(x, y, z)
导致这个调用（不是有效的 Python 语法，但你明白了）：
f(*secondary_args, x, y, z, **secondary_kwargs)
lambda 只接受一个参数并使用不同的参数顺序。（当然，这两种差异都可以克服——我只是在回答您提供的两个版本之间的差异。）
对象的执行partial略快于等效对象的执行lambda。
常见用例之间的实际差异似乎是lambdafunctools.partial
functools.partial需要进口，lambda不需要。functools.partial只需打印创建的函数，就可以看到使用创建的函数的函数定义。使用 创建的函数lambda应使用 进行检查inspect.getsource()。这些被发现实际上是相同的lambdafunctools.partial
我认为测试和真实数据比仅仅猜测哪个比另一个更快更能说明问题。
看起来 和之间的速度差异没有统计证据。我用不同的重复次数进行了不同的测试，每次得到的结果都略有不同；这三种方法中的任何一种都可能是最快的。速度与 95% (2 sigma) 的置信度相同。以下是一些数值结果*lambdafunctools.partial
# When functions are defined beforehand
In [1]: timeit -n 1000 -r 1000 f_partial(data)
23.6 µs ± 2.92 µs per loop (mean ± std. dev. of 1000 runs, 1000 loops each)
In [2]: timeit -n 1000 -r 1000 f_lambda(data)
22.6 µs ± 2.6 µs per loop (mean ± std. dev. of 1000 runs, 1000 loops each)
# When function is defined each time again
In [3]: timeit -n 1000 -r 1000 (lambda x: trim_mean(x, 0.1))(data)
22.6 µs ± 1.98 µs per loop (mean ± std. dev. of 1000 runs, 1000 loops each)
In [4]: timeit -n 1000 -r 1000 f_lambda = lambda x: trim_mean(x, 0.1); f_lambda(data)
23.7 µs ± 3.89 µs per loop (mean ± std. dev. of 1000 runs, 1000 loops each)
In [5]: timeit -n 1000 -r 1000 f_partial = partial(trim_mean, proportiontocut=0.1); f_partial(data)
24 µs ± 3.38 µs per loop (mean ± std. dev. of 1000 runs, 1000 loops each)
我还尝试在插入字符串元素的情况下运行f_lambda和f_partial使用列表，并且回溯是相等的（当然，第一个条目除外）。所以那里没有区别。
functools.partial只需打印创建的函数，就可以看到使用创建的函数的函数定义。使用 创建的函数lambda应使用 进行检查inspect.getsource()。# Can be inspected with just printing the function
In [1]: f_partial
Out[1]: functools.partial(<function trim_mean at 0x000001463262D0D0>, proportiontocut=0.1)
In [2]: print(f_partial)
functools.partial(<function trim_mean at 0x000001463262D0D0>, proportiontocut=0.1)
# Lambda functions do not show the source directly
In [3]: f_lambda
Out[3]: <function __main__.<lambda>(x)>
# But you can use inspect.getsource()
In [4]: inspect.getsource(f_lambda)
Out[4]: 'f_lambda = lambda x: trim_mean(x, 0.1)\n'
# This throws a ValueError, though.
In [5]: inspect.getsource(f_partial)
from functools import partial
from scipy.stats import trim_mean
import numpy as np
data = np.hstack((np.random.random(1000), np.random.random(50)*25000))
f_lambda = lambda x: trim_mean(x, 0.1)
f_partial = partial(trim_mean, proportiontocut=0.1)
测试是在 Python 3.7.3 64 位 (Windows 10) 上执行的。
如前所述，partials 不仅比等效的 lambda 快约 20%，而且它们保留了直接引用，以反映它们的功能。而在 lambdas 中，该函数被“隐藏”在函数体内。
=> 如果您只需要解决将一个函数的评估推迟到所有参数都知道的问题，那么请使用部分函数。与将调用埋入匿名函数（即 lambda）相比，您将拥有更好的自省方法。
我相信类方法的东西只适用于类定义期间分配的函数。稍后分配的功能不作特殊处理。
除此之外，我个人更喜欢 lambda，因为它们更常见，因此使代码更容易理解。
class Foo(object):
def __init__(self, base):
self.int = lambda x:int(x, base)
print Foo(4).int('11')
是的，lambda会因此“受苦”。partial没有这个问题，因为它是一个调用运算符重载的对象，而不是一个真正的函数。
但是在类定义中使用这样的 lambda 只是误用。