一、高阶函数
变量可以指向函数
>>> f = abs >>> f(-10) 10
函数名也是变量
>>> abs = 10 >>> abs(-10) Traceback (most recent call last): File "<stdin>", line 1, in <module> TypeError: 'int' object is not callable
>>>abs
10
注:由于abs函数实际上是定义在import builtins
模块中的,所以要让修改abs变量的指向在其它模块也生效,要用import builtins; builtins.abs = 10
。
函数的参数能接收变量,那么一个函数就可以接受另一个函数作为参数,这种函数就称之为高阶函数。
(也就是说,高阶函数的形参可以是另外一个函数)
例,f()
本身就是个函数,但它现在作为add()
的参数,所以称add()
是一个高阶函数:
def add(x, y, f):
return f(x) + f(y)
当我们调用add(-5, 6, abs)
时,参数x
,y
和f
分别接收-5
,6
和abs
:
x = -5
y = 6
f = abs
f(x) + f(y) ==> abs(-5) + abs(6) ==> 11
return 11
二、map()函数
map()
函数接收两个参数,一个是函数,一个是Iterable
,map
将传入的函数依次作用到序列的每个元素,并把结果作为新的Iterator
返回。
比如我们有一个函数f(x)=x2
,要把这个函数作用在一个list[1, 2, 3, 4, 5, 6, 7, 8, 9]
上,就可以用map()
实现如下:
>>> def f(x):
return x * x
>>> r = map(f, [1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> list®
[1, 4, 9, 16, 25, 36, 49, 64, 81]
map()
传入的第一个参数是f
,即函数对象本身。由于结果r
是一个Iterator
,Iterator
是惰性序列,因此通过list()
函数让它把整个序列都计算出来并返回一个list
。
把这个list所有数字转为字符串:
>>> list(map(str, [1, 2, 3, 4, 5, 6, 7, 8, 9]))
['1', '2', '3', '4', '5', '6', '7', '8', '9']
三、reduce()函数
reduce
把一个函数作用在一个序列[x1, x2, x3, ...]
上,这个函数必须接收两个参数,reduce
把结果继续和序列的下一个元素做累积计算,其效果就是:
reduce(f, [x1, x2, x3, x4]) = f(f(f(x1, x2), x3), x4)
举个简单的例子,序列求和:
>>> from functools import reduce
>>> def add(x, y):
return x + y
>>> reduce(add, [1, 3, 5, 7, 9])
25
字符串转int:
from functools import reduce
DIGITS = {'0': 0, '1': 1, '2': 2, '3': 3, '4': 4, '5': 5, '6': 6, '7': 7, '8': 8, '9': 9}
def str2int(s):
def fn(x, y):
return x * 10 + y
def char2num(s):
return DIGITS[s]
return reduce(fn, map(char2num, s))
四、filter()函数
Python内建的
filter()
函数用于过滤序列。
filter()
也接收一个函数和一个序列。
把一个序列中的空字符串删掉,可以这么写:
def not_empty(s):
return s and s.strip()
list(filter(not_empty, ['A', '', 'B', None, 'C', ' ']))
# 结果: ['A', 'B', 'C']
注意到filter()
函数返回的是一个Iterator
,也就是一个惰性序列,所以要强迫filter()
完成计算结果,需要用list()
函数获得所有结果并返回list
。
附:素数筛选
先构造一个从3开始的奇数序列:
def _odd_iter():
n = 1
while True:
n = n + 2
yield n
注意这是一个生成器,并且是一个无限序列。
然后定义一个筛选函数:
def _not_divisible(n):
return lambda x: x % n > 0
最后,定义一个生成器,不断返回下一个素数:
def primes():
yield 2
it = _odd_iter() # 初始序列
while True:
n = next(it) # 返回序列的第一个数
yield n
it = filter(_not_divisible(n), it) # 构造新序列
由于primes()也是一个无限序列,所以调用时需要设置一个退出循环的条件:
# 打印1000以内的素数:
for n in primes():
if n < 1000:
print(n)
else:
break
五、sorted()函数
排序算法函数
Python内置的sorted()
函数就可以对list进行排序:
>>> sorted([36, 5, -12, 9, -21])
[-21, -12, 5, 9, 36]
此外,sorted()
函数也是一个高阶函数,它还可以接收一个key
函数来实现自定义的排序,例如按绝对值大小排序:
>>> sorted([36, 5, -12, 9, -21], key=abs)
[5, 9, -12, -21, 36]
字符串排序(忽略大小写):
>>> sorted(['bob', 'about', 'Zoo', 'Credit'], key=str.lower)
['about', 'bob', 'Credit', 'Zoo']
要进行反向排序,不必改动key
函数,可以传入第三个参数reverse=True
:
>>> sorted(['bob', 'about', 'Zoo', 'Credit'], key=str.lower, reverse=True)
['Zoo', 'Credit', 'bob', 'about']
六、返回函数
高阶函数除了可以接受函数作为参数外,还可以把函数作为结果值返回。
例,求几个数的和:
def lazy_sum(*args):
def sum():
ax = 0
for n in args:
ax = ax + n
return ax
return sum
当调用 lazy_sum()函数时,返回的是sum这个函数,而不是求和结果:
>>> f = lazy_sum(1, 3, 5, 7, 9)
#f是一个函数,当调用f()时,才会执行求和算法
>>> f()
25
而且每次调用都会返回一个新的函数,即使传入的参数相同,返回的函数也不相等:
>>> f1 = lazy_sum(1, 3, 5, 7, 9)
>>> f2 = lazy_sum(1, 3, 5, 7, 9)
>>> f1==f2
False
闭包
就是当某个函数被当成对象返回时,夹带了外部变量,就形成了一个闭包。
# -*- coding: utf-8 -*-
from functools import reduce
def lazy_add(a,b):
def add():
return a+b
return add
f=lazy_add(1,1)
f()
# 输出2
f=lazy_add(1,6)
f()
#输出7
返回闭包时牢记一点:返回函数不要引用任何循环变量,或者后续会发生变化的变量。
七、匿名函数lambda()
不用定义名字的函数,适用于简单的函数。
>>> list(map(lambda x: x * x, [1, 2, 3, 4, 5, 6, 7, 8, 9]))
[1, 4, 9, 16, 25, 36, 49, 64, 81]
匿名函数lambda x: x * x
实际上就是:
def f(x):
return x * x
匿名函数有个限制,就是只能有一个表达式,不用写return
,返回值就是该表达式的结果。
可以把匿名函数赋值给一个变量:
>>> f = lambda x: x * x
>>> f
<function <lambda> at 0x101c6ef28>
>>> f(5)
25
也可以把匿名函数作为返回值返回:
def build(x, y):
return lambda: x * x + y * y
八、装饰器(Decorator)
在代码运行期间动态增加功能的方式,称之为“装饰器”(Decorator),本质上,decorator就是一个返回函数的高阶函数。
接受一个函数作为参数,并返回一个函数
函数对象有一个__name__
属性,可以拿到函数的名字:
>>> def now():
print('2019-1-20')
>>> f = now
>>> now.__name__
'now'
>>> f.__name__
'now'
定义装饰器,例如打印日志的decorator:
def log(func):
def wrapper(*args, **kw):
print('call %s():' % func.__name__)
return func(*args, **kw)
return wrapper
我们要借助Python的@语法,把decorator置于函数的定义处:
@log
def now():
print('2019-1-20')
>>> now()
call now():
2019-1-20
wrapper()
函数的参数定义是(*args, **kw)
,因此,wrapper()
函数可以接受任意参数的调用。
<理解>
把@log放到now()函数的定义处,相当于执行了语句:
now = log(now)
所以now = wrapper
则:
当调用`now()`时,相当于先调用新函数`wrapper()`
`wrapper()`返回又原函数`now()`,再把`now()`内容执行。
自定义日志内容的例子:
def log(text):
def decorator(func):
def wrapper(*args, **kw):
print('%s %s():' % (text, func.__name__))
return func(*args, **kw)
return wrapper
return decorator
这个3层嵌套的decorator用法如下:
@log('execute')
def now():
print('2019-1-20')
执行结果如下:
>>> now()
execute now():
2019-1-20
和两层嵌套的decorator相比,3层嵌套的效果是这样的:
>>> now = log('execute')(now)
我们来剖析上面的语句,首先执行log('execute')
,返回的是decorator
函数,再调用返回的函数,参数是now
函数,返回值最终是wrapper
函数。
因为返回的那个wrapper()
函数名字就是'wrapper'
,所以,需要把原始函数的__name__
等属性复制到wrapper()
函数中,否则,有些依赖函数签名的代码执行就会出错。
不需要编写wrapper.__name__ = func.__name__
这样的代码,Python内置的functools.wraps
就是干这个事的,所以,一个完整的decorator的写法如下:
import functools
def log(func):
@functools.wraps(func)
def wrapper(*args, **kw):
print('call %s():' % func.__name__)
return func(*args, **kw)
return wrapper
能在函数调用的前后打印出'begin call'和'end call'的日志:
# -*- coding: utf-8 -*-
import time, functools
def metric(fn):
def wrapper(*args,**kw):
print('%s begin' % (fn.__name__))
ans = fn(*args,**kw)
print('%s end' % (fn.__name__))
return ans
return wrapper
测试
@metric
def calc(x, y):
print(x+y)
return x + y;
ans = calc(11, 22)
if ans != 33:
print('测试失败!')
else :
print('测试成功!')
结果:
calc begin
33
calc end
测试成功!
九、偏函数(Partial function)
functools.partial
就是帮助我们创建一个偏函数的,functools.partial
的作用就是,把一个函数的某些参数给固定住(也就是设置默认值),返回一个新的函数,调用这个新函数会更简单。
例:
不用偏函数实现二进制转换函数:
def int2(x, base=2):
return int(x, base)
>>> int2('1000000')
64
>>> int2('1010101')
85
使用偏函数:
>>> import functools
>>> int2 = functools.partial(int, base=2)
>>> int2('1000000')
64
>>> int2('1010101')
85
创建偏函数时,实际上可以接收函数对象
、*args
和**kw
这3个参数。
其它博客链接: