改用 lambda ：
1. arr = func ( lambda x : x + 1 , [ 1 , 2 , 3 , 4 ])
是不是很简洁、易懂？
4 map/reduce/filter
map/reduce/filter 是 Python 中较为常用的内建高阶函数，它们为函数式编程提供了不少便
利。
4.1 map
map 函数的使用形式如下：
1. map ( function , sequence )
解释：对 sequence 中的 item 依次执行 function(item) ，并将结果组成一个 List 返回，也
就是：
1. [ function ( item1 ), function ( item2 ), function ( item3 ), …]
看一些简单的例子：
1. >>> def square ( x ):
2. … return x * x
4. >>> map ( square , [ 1 , 2 , 3 , 4 ])
5. [ 1 , 4 , 9 , 16 ]
7. >>> map ( lambda x : x * x , [ 1 , 2 , 3 , 4 ]) # 使用 lambda
8. [ 1 , 4 , 9 , 16 ]
10. >>> map ( str , [ 1 , 2 , 3 , 4 ])
11. [ ‘1’ , ‘2’ , ‘3’ , ‘4’ ]
13. >>> map ( int , [ ‘1’ , ‘2’ , ‘3’ , ‘4’ ])
14. [ 1 , 2 , 3 , 4 ]
再看一个例子：
1. def double ( x ):
2. return 2 * x
4. def triple ( x ):
5. return 3 * x
7. def square ( x ):
8. return x * x
10. funcs = [ double , triple , square ] # 列表元素是函数对象
12. # 相当于 [double(4), triple(4), square(4)]
13. value = list ( map ( lambda f ： f ( 4 ), funcs ))
15. print value
17. # output
18. [ 8 , 12 , 16 ]
上面的代码中，我们加了 list 转换，是为了兼容 Python3 ，在 Python2 中 map 直接返回列
表， Python3 中返回迭代器。
4.2 reduce
reduce 函数的使用形式如下：
1. reduce ( function , sequence [, initial ])
解释：先将 sequence 的前两个 item 传给 function ，即 function(item1, item2) ，函数
的返回值和 sequence 的下一个 item 再传给 function ，即 function(function(item1,
item2), item3) ，如此迭代，直到 sequence 没有元素，如果有 initial ，则作为初始值调用。
也就是说：
1. reduece ( f , [ x1 , x2 , x3 , x4 ]) = f ( f ( f ( x1 , x2 ), x3 ), x4 )
看一些例子，就能很快理解了。
1. >>> reduce ( lambda x , y : x * y , [ 1 , 2 , 3 , 4 ]) # 相当于 ((1 * 2) * 3) * 4
2. 24
3. >>> reduce ( lambda x , y : x * y , [ 1 , 2 , 3 , 4 ], 5 ) # ((((5 * 1) * 2) * 3)) * 4
4. 120
5. >>> reduce ( lambda x , y : x / y , [ 2 , 3 , 4 ], 72 ) # (((72 / 2) / 3)) / 4
6. 3
7. >>> reduce ( lambda x , y : x + y , [ 1 , 2 , 3 , 4 ], 5 ) # ((((5 + 1) + 2) + 3)) + 4
8. 15
9. >>> reduce ( lambda x , y : x - y , [ 8 , 5 , 1 ], 20 ) # ((20 - 8) - 5) - 1
10. 6
11. >>> f = lambda a , b : a if ( a > b ) else b # 两两比较，取最大值
12. >>> reduce ( f , [ 5 , 8 , 1 , 10 ])
13. 10
4.3 filter
filter 函数用于过滤元素，它的使用形式如下：
1. filter ( function , sequnce )
解释：将 function 依次作用于 sequnce 的每个 item ，即 function(item) ，将返回值为
True 的 item 组成一个 List/String/Tuple ( 取决于 sequnce 的类型， python3 统一返回
迭代器 ) 返回。
看一些例子。
1. >>> even_num = list ( filter ( lambda x : x % 2 == 0 , [ 1 , 2 , 3 , 4 , 5 , 6 ]))
2. >>> even_num
3. [ 2 , 4 , 6 ]
4. >>> odd_num = list ( filter ( lambda x : x % 2 , [ 1 , 2 , 3 , 4 , 5 , 6 ]))
5. >>> odd_num
6. [ 1 , 3 , 5 ]
7. >>> filter ( lambda x : x < ‘g’ , ‘hijack’ )
8. ‘ac’ # python2
9. >>> filter ( lambda x : x < ‘g’ , ‘hijack’ )
10. < filter object at 0x1034b4080 > # python3
注意在 python2 和 python3 中， map/reduce/filter 的返回值类型有所不同， python2
返回的是基本数据类型，而 python3 则返回了迭代器；
5 闭包
5.1 定义
在 Python 中，函数也是一个对象。因此，我们在定义函数时，可以再嵌套定义一个函数，并将该嵌套函数返回，比如：
1. from math import pow
3. def make_pow ( n ):
4. def inner_func ( x ): # 嵌套定义了 inner_func
5. return pow ( x , n ) # 注意这里引用了外部函数的 n
6. return inner_func # 返回 inner_func
上面的代码中，函数 make_pow 里面又定义了一个内部函数 inner_func ，然后将该函数返
回。因此，我们可以使用 make_pow 来生成另一个函数：
1. >>> pow2 = make_pow ( 2 ) # pow2 是一个函数，参数 2 是一个自由变量
2. >>> pow2
3. < function inner_func at 0x10271faa0 >
4. >>> pow2 ( 6 )
5. 36.0
我们还注意到，内部函数 inner_func 引用了外部函数 make_pow 的自由变量 n ，这也就
意味着，当函数 make_pow 的生命周期结束之后， n 这个变量依然会保存在 inner_func
中，它被 inner_func 所引用。
1. >>> del make_pow # 删除 make_pow
2. >>> pow3 = make_pow ( 3 )
3. Traceback ( most recent call last ):
4. File “” , line 1 , in
5. NameError : name ‘make_pow’ is not defined
6. >>> pow2 ( 9 ) # pow2 仍可正常调用，自由变量 2 仍保存在 pow2 中
7. 81.0
像上面这种情况，一个函数返回了一个内部函数，该内部函数引用了外部函数的相关参数和变量，我们把该返回的内部函数称为闭包（Closure ）。
在上面的例子中， inner_func 就是一个闭包，它引用了自由变量 n 。
5.2 闭包的作用
闭包的最大特点就是引用了自由变量，即使生成闭包的环境已经释放，闭包仍然存在。
闭包在运行时可以有多个实例，即使传入的参数相同。
1. >>> pow_a = make_pow ( 2 )
2. >>> pow_b = make_pow ( 2 )
3. >>> pow_a == pow_b
4. False
利用闭包，我们还可以模拟类的实例。
这里构造一个类，用于求一个点到另一个点的距离：
1. from math import sqrt
3. class Point ( object ):
4. def __init__ ( self , x , y ):
5. self . x , self . y = x , y
7. def get_distance ( self , u , v ):
8. distance = sqrt (( self . x - u ) ** 2 + ( self . y - v ) ** 2 )
9. return distance
11. >>> pt = Point ( 7 , 2 ) # 创建一个点
12. >>> pt . get_distance ( 10 , 6 ) # 求到另一个点的距离
13. 5.0
用闭包来实现：
1. def point ( x , y ):
2. def get_distance ( u , v ):
3. return sqrt (( x - u ) ** 2 + ( y - v ) ** 2 )
5. return get_distance
7. >>> pt = point ( 7 , 2 )
8. >>> pt ( 10 , 6 )
9. 5.0
可以看到，结果是一样的，但使用闭包实现比使用类更加简洁。
5.3 常见的误区
闭包的概念很简单，但实现起来却容易出现一些误区，比如下面的例子：
1. def count ():
2. funcs = []
3. for i in [ 1 , 2 , 3 ]:
4. def f ():
5. return i
6. funcs . append ( f )
7. return funcs
在该例子中，我们在每次 for 循环中创建了一个函数，并将它存到 funcs 中。现在，调用上
面的函数，你可能认为返回结果是 1, 2, 3 ，事实上却不是：
1. >>> f1 , f2 , f3 = count ()
2. >>> f1 ()
3. 3
4. >>> f2 ()
5. 3
6. >>> f3 ()
7. 3
为什么呢？原因在于上面的函数 f 引用了变量 i ，但函数 f 并非立刻执行，当 for 循环结束时，此时变量 i 的值是 3 ， funcs 里面的函数引用的变量都是 3 ，最终结果也就全为3。
因此，我们应尽量避免在闭包中引用循环变量，或者后续会发生变化的变量。
那上面这种情况应该怎么解决呢？我们可以再创建一个函数，并将循环变量的值传给该函数，如下：
1. def count ():
2. funcs = []
3. for i in [ 1 , 2 , 3 ]:
4. def g ( param ):
5. f = lambda : param # 这里创建了一个匿名函数
6. return f
7. funcs . append ( g ( i )) # 将循环变量的值传给 g
8. return funcs
10. >>> f1 , f2 , f3 = count ()
11. >>> f1 ()
12. 1
13. >>> f2 ()
14. 2
15. >>> f3 ()
16. 3
(1)闭包是携带自由变量的函数，即使创建闭包的外部函数的生命周期结束了，闭包所引用的自由变量仍会存在。
(2)闭包在运行可以有多个实例。
(3)尽量不要在闭包中引用循环变量，或者后续会发生变化的变量。
6 装饰器
我们知道，在 Python 中，我们可以像使用变量一样使用函数：
(1)函数可以被赋值给其他变量
(2)函数可以被删除
(3)可以在函数里面再定义函数
(4)函数可以作为参数传递给另外一个函数
(5)函数可以作为另一个函数的返回
简而言之，函数就是一个对象。
6.1 对一个简单的函数进行装饰
为了更好地理解装饰器，我们先从一个简单的例子开始，假设有下面的函数：
1. def hello ():
2. return ‘hello world’
现在我们想增强 hello() 函数的功能，希望给返回加上 HTML 标签，比如 hello
world ，但是有一个要求，不改变原来 hello() 函数的定义。这里当然有很多种方法，下面
给出一种跟本文相关的方法：
1. def makeitalic ( func ):
2. def wrapped ():
3. return “” + func () + “”
4. return wrapped
在上面的代码中，我们定义了一个函数 makeitalic ，该函数有一个参数 func ，它是一个函
数；在 makeitalic 函数里面我们又定义了一个内部函数 wrapped ，并将该函数作为返回。
现在，我们就可以不改变 hello() 函数的定义，给返回加上 HTML 标签了：
1. >>> hello = makeitalic ( hello ) # 将 hello 函数传给 makeitalic
2. >>> hello ()
3. ‘hello world’
在上面，我们将 hello 函数传给 makeitalic ，再将返回赋给 hello ，此时调用
hello() 就得到了我们想要的结果。
不过要注意的是，由于我们将 makeitalic 的返回赋给了 hello ，此时 hello() 函数仍
然存在，但是它的函数名不再是 hello 了，而是 wrapped ，正是 makeitalic 返回函数的名
称，可以验证一下：
1. >>> hello . __name__
2. ‘wrapped’
对于这个小瑕疵，后文将会给出解决方法。
现在，我们梳理一下上面的例子，为了增强原函数 hello 的功能，我们定义了一个函数，它接收
原函数作为参数，并返回一个新的函数，完整的代码如下：
1. def makeitalic ( func ):
2. def wrapped ():
3. return “” + func () + “”
4. return wrapped
6. def hello ():
7. return ‘hello world’
9. hello = makeitalic ( hello )
事实上， makeitalic 就是一个装饰器（ decorator ），它『装饰』了函数 hello ，并返回一
个函数，将其赋给 hello 。
一般情况下，我们使用装饰器提供的 @ 语法糖（ Syntactic Sugar ），来简化上面的写法：
1. def makeitalic ( func ):
2. def wrapped ():
3. return “” + func () + “”
4. return wrapped
6. @makeitalic
7. def hello ():
8. ` return ‘hello world’
像上面的情况，可以动态修改函数（或类）功能的函数就是装饰器。本质上，它是一个高阶函数，以被装饰的函数（比如上面的 hello ）为参数，并返回一个包装后的函数（比如上面的 wrapped ）给被装饰函数（hello ）。
6.2 装饰器的使用形式
装饰器的一般使用形式如下：
1. @decorator
2. def func ():
3. pass
等价于下面的形式：
1. def func ():
2. pass
3. func = decorator ( func )
装饰器可以定义多个，离函数定义最近的装饰器先被调用，比如：
1. @decorator_one
2. @decorator_two
3. def func ():
4. pass
等价于：
1. def func ():
2. pass
4. func = decorator_one ( decorator_two ( func ))
装饰器还可以带参数，比如：
1. @decorator ( arg1 , arg2 )
2. def func ():
3. pass
等价于：
1. def func ():
2. pass
4. func = decorator ( arg1 , arg2 )( func )
下面我们再看一些具体的例子，以加深对它的理解。
6.3 对带参数的函数进行装饰
前面的例子中，被装饰的函数 hello() 是没有带参数的，我们看看被装饰函数带参数的情况。对
前面例子中的 hello() 函数进行改写，使其带参数，如下：
1. def makeitalic ( func ):
2. def wrapped (* args , ** kwargs ):
3. ret = func (* args , ** kwargs )
4. return ‘’ + ret + ‘’
5. return wrapped
7. @makeitalic
8. def hello ( name ):
9. return ‘hello %s’ % name
11. @makeitalic
12. def hello2 ( name1 , name2 ):
13. return ‘hello %s, %s’ % ( name1 , name2 )
由于函数 hello 带参数，因此内嵌包装函数 wrapped 也做了一点改变：
内嵌包装函数的参数传给了 func ，即被装饰函数，也就是说内嵌包装函数的参数跟被装饰函数
的参数对应，这里使用了 (*args, **kwargs) ，是为了适应可变参数。
看看使用：
1. >>> hello ( ‘python’ )
2. ‘hello python’
3. >>> hello2 ( ‘python’ , ‘java’ )
4. ‘hello python, java’
6.4 带参数的装饰器
上面的例子，我们增强了函数 hello 的功能，给它的返回加上了标签 … ，现在，我
们想改用标签 … 或
…
。是不是要像前面一样，再定义一个类似makeitalic 的装饰器呢？其实，我们可以定义一个函数，将标签作为参数，返回一个装饰器，比
如：
1. def wrap_in_tag ( tag ):
2. def decorator ( func ):
3. def wrapped (* args , ** kwargs ):
4. ret = func (* args , ** kwargs )
5. return ‘<’ + tag + ‘>’ + ret + ‘</’ + tag + ‘>’
6. return wrapped
8. return decorator
现在，我们可以根据需要生成想要的装饰器了：
1. makebold = wrap_in_tag ( ‘b’ ) # 根据 ‘b’ 返回 makebold 生成器
3. @makebold
4. def hello ( name ):
5. return ‘hello %s’ % name
7. >>> hello ( ‘world’ )
8. ‘hello world’
上面的形式也可以写得更加简洁：
1. @wrap_in_tag ( ‘b’ )
2. def hello ( name ):
3. return ‘hello %s’ % name
这就是带参数的装饰器，其实就是在装饰器外面多了一层包装，根据不同的参数返回不同的装饰器。
6.5 多个装饰器
现在，让我们来看看多个装饰器的例子，为了简单起见，下面的例子就不使用带参数的装饰器。
1. def makebold ( func ):
2. def wrapped ():
3. return ‘’ + func () + ‘’
最后
Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！
👉Python所有方向的学习路线👈
Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
👉Python必备开发工具👈
工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。
👉Python全套学习视频👈
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。
👉实战案例👈
学python就与学数学一样，是不能只看书不做题的，直接看步骤和答案会让人误以为自己全都掌握了，但是碰到生题的时候还是会一筹莫展。
因此在学习python的过程中一定要记得多动手写代码，教程只需要看一两遍即可。
👉大厂面试真题👈
我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
