我正在查看一些使用比较函数进行大量排序调用的代码，它似乎应该使用关键函数。
如果您要更改seq.sort(lambda x,y: cmp(x.xxx, y.xxx))，最好：
seq.sort(key=operator.attrgetter('xxx'))
或：
seq.sort(key=lambda a:a.xxx)
我也会对 cmets 感兴趣，因为它可以更改现有的有效代码。
【问题讨论】：
当纯粹在 attrgetter('attributename') 和 lambda o: o.attributename 之间选择作为排序键时，使用 attrgetter() 是两者中更快的选项。
记住key函数只对列表中的每个元素应用一次，在排序之前，所以我们可以在计时赛中直接使用它们来比较两者：
>>> from timeit import Timer
>>> from random import randint
>>> from dataclasses import dataclass, field
>>> @dataclass
... class Foo:
... bar: int = field(default_factory=lambda: randint(1, 10**6))
...
>>> testdata = [Foo() for _ in range(1000)]
>>> def test_function(objects, key):
... [key(o) for o in objects]
...
>>> stmt = 't(testdata, key)'
>>> setup = 'from __main__ import test_function as t, testdata; '
>>> tests = {
... 'lambda': setup + 'key=lambda o: o.bar',
... 'attrgetter': setup + 'from operator import attrgetter; key=attrgetter("bar")'
... }
>>> for name, tsetup in tests.items():
... count, total = Timer(stmt, tsetup).autorange()
... print(f"{name:>10}: {total / count * 10 ** 6:7.3f} microseconds ({count} repetitions)")
...
lambda: 130.495 microseconds (2000 repetitions)
attrgetter: 92.850 microseconds (5000 repetitions)
因此应用attrgetter('bar') 1000 次大约比lambda 快40 μs。这是因为调用 Python 函数有一定的开销，比调用诸如 attrgetter() 生成的原生函数要多。
这种速度优势也转化为更快的排序：
>>> def test_function(objects, key):
... sorted(objects, key=key)
...
>>> for name, tsetup in tests.items():
... count, total = Timer(stmt, tsetup).autorange()
... print(f"{name:>10}: {total / count * 10 ** 6:7.3f} microseconds ({count} repetitions)")
...
lambda: 218.715 microseconds (1000 repetitions)
attrgetter: 169.064 microseconds (2000 repetitions)
【讨论】：
native function such as produced by attrgetter() 是什么以及为什么它更快。我调查了attrgetter source code。因此，例如在排序时，会调用 attrgetter 的 __call__()，而后者又会调用 Python 函数 self._call()。我不知道 lambda 是如何在内部构造的，但不会发生完全相同的事情（调用__call__()，然后调用实际的 Python 函数）？我错过了什么？
operator 模块实现仅在无法导入 C 扩展的情况下存在。 real 源代码位于Modules/_operator.c 和imported into operator.py，替换了Python 版本。本地函数是指在您的 Python 安装随附的用 C 编写的扩展模块中实现的对象。
attrgetter 被调用时： 1. 调用attrgetter_call()（C 级别） - Python 如何知道在调用attrgetter 实例时使用它？ 1a。查找并返回属性（C 级）。对于 lambda： 1. 调用 __call__()（Python 级别） 2. 调用 lambda 的实际方法（Python 级别） 2a。查找并返回属性（Python 级别）。
__call__()，lambda 有一个额外的 Python 调用，其余步骤从 Python 级别开始并继续到 C，而对于 attrgetter，这些步骤从 C 级别开始。
_call。 Python 实现只是使用了一个间接函数调用（_call 设置为两个选项之一，在__init__）来简化区分多个属性（返回一个元组）和单个属性（返回一个值）的逻辑案例。
“对现有的有效代码进行更改”是程序的发展方式；-)。使用现有代码编写一组好的测试，给出已知结果，保存这些结果（在测试上下文中通常称为“黄金文件”）；然后进行更改，重新运行测试，并验证（理想情况下以自动化方式）测试结果的唯一更改是那些明确打算存在的更改 - 没有不受欢迎或意外的一面效果。当然，可以使用更复杂的质量保证策略，但这是许多“集成测试”方法的要点。
至于编写简单key= 函数的两种方法，设计意图是通过更专业化使operator.attrgetter 更快，但至少在当前版本的Python 中没有可测量的速度差异。既然如此，对于这种特殊情况，我会推荐lambda，只是因为它更简洁通用（而且我通常不是 lambda 爱好者，请注意！-）。
【讨论】：
operator 或operator.attrgetter()...您已经拥有实际的函数对象！然而，正如 alex 已经说过的那样，它几乎没有引起注意，但lambda 解决方案确实通过更易于阅读而赢得了 Python Zen 积分。
attrgetter 和 lambda 必须做相同数量的工作来查找属性，并且在您开始排序时都创建一次。但是 lambda 每次调用都需要一个新的 Python Stack 框架（相对昂贵），而 attrgetter 实例不需要，所以 attrgetter 更快。我发现内联 lambda 并不比 attrgetter 更容易阅读，所以对我来说，attrgetter 胜出。
正如之前的评论者所说，attrgetter 稍微快一些，但在很多情况下，差异是微不足道的（~微秒）。
关于可读性，我个人更喜欢lambda，因为它是人们以前在不同情况下见过的结构，因此其他人可能更容易阅读和理解。
另一个需要注意的是，与使用 attrgetter 不同，在使用 lambda 时，您的 IDE 应该能够在 attr 名称上显示拼写错误。
一般来说，如果替代方案易于编写和阅读，我倾向于选择不需要额外导入的结构。
【讨论】：