目录
函数式编程就是一种抽象程度很高的编程范式,纯粹的函数式编程语言编写的函数没有变量,因此,任意一个函数,只要输入是确定的,输出就是确定的,这种纯函数我们称之为没有副作用。而允许使用变量的程序设计语言,由于函数内部的变量状态不确定,同样的输入,可能得到不同的输出,因此,这种函数是有副作用的。
函数式编程的一个特点就是,允许把函数本身作为参数传入另一个函数,还允许返回一个函数!
Python对函数式编程提供部分支持。由于Python允许使用变量,因此,Python不是纯函数式编程语言。
高阶函数
变量可以指向函数
函数本身也可以赋值给变量,即:变量可以指向函数:
f = abs
print(f(-10))
10
说明变量f现在已经指向了abs
函数本身。直接调用abs()
函数和调用变量f()
完全相同。
函数名也是变量
函数名其实就是指向函数的变量!对于abs()
这个函数,完全可以把函数名abs
看成变量,它指向一个可以计算绝对值的函数!
>>> abs = 10
>>> abs(-10)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
TypeError: 'int' object is not callable
把abs
指向10后,就无法通过abs(-10)
调用该函数了!因为abs
这个变量已经不指向求绝对值函数而是指向一个整数10!
传入函数
变量可以指向函数+函数的参数能接收变量=>一个函数可以接收另一个函数作为参数
这种函数就称之为高阶函数。
例子:
def add(x,y,f):
return f(x) +f (y)
print(add(-5,5,abs))
10
map/reduce
Python内建了map()
和reduce()
函数。
`map()
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,或者将数字转换为字符串:
def f(x):
return x*x
print(list(map(f,[1,2,3,4,5,6,7,8,9])))
print(list(map(str,[1,2,3,4,5,6,7,8,9])))
[1, 4, 9, 16, 25, 36, 49, 64, 81]
['1', '2', '3', '4', '5', '6', '7', '8', '9']
reduce()
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)
例如:
from functools import reduce
def add(x,y):
return x + y
def fn(x,y):
return x*10+y
print(reduce(add,[1,3,5,7]))
print(reduce(fn,[1,3,5,7]))
16
1357
混合
str
转换为int
的函数:
from functools import reduce
def fn(x,y):
return x*10+y
def char2num(s):
digits = {'0': 0, '1': 1, '2': 2, '3': 3, '4': 4, '5':5, '6': 6, '7': 7, '8':8, '9': 9}
return digits[s]
print(map(char2num,'13579')) #map()函数转换后的序列是惰性的,打印的是map作用后序列的地址。
print(reduce(fn,map(char2num,'13579')))
<map object at 0x0000002F024F3E10>
13579
整理成一个str2int
的函数:
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))
print(str2int('13579'))
13579
用lambda
函数进一步简化成:
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 char2num(s):
return DIGITS[s]
def str2int(s):
return reduce(lambda x, y: x * 10 + y, map(char2num, s))
print(str2int('13579'))
13579
练习
1.利用map()
函数,将英文名字变为首字母大写,其他小写的规范名字
def normalize(name):
name = name[0].upper() + name[1:].lower()
return name
L1 = ['adam', 'LISA', 'barT']
L2 = list(map(normalize, L1))
print(L2)
['Adam', 'Lisa', 'Bart']
2.编写一个prod()
函数,可以接受一个list并利用reduce()
求积:
# -*- coding: utf-8 -*-
from functools import reduce
def prod(L):
def mul(x,y):
return x * y
return reduce(mul,L)
print('3 * 5 * 7 * 9 =', prod([3, 5, 7, 9]))
if prod([3, 5, 7, 9]) == 945:
print('测试成功!')
else:
print('测试失败!')
3 * 5 * 7 * 9 = 945
测试成功!
3.利用map
和reduce
编写一个str2float
函数,把字符串’123.456’转换成浮点数123.456:
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 str2float(s):
def str2num(t):#字符转换为数字
return digits[t]
def fn(x, y): #计算
return 10*x +y
L = list(map(str2num,s))
n = L.index('.')#获取位置
n1 = L[0:n]
n2 = L[n+1:]
return reduce(fn,n1) + reduce(fn,n2)/10**len(n2) # **相当于^
print('str2float(\'123.456\') =', str2float('123.456'))
if abs(str2float('123.456') - 123.456) < 0.00001:
print('测试成功!')
else:
print('测试失败!')
str2float('123.456') = 123.456
测试成功!
对比:
print(456/10*3)
print(456/10**3)
print(456/(10**3))
136.8
0.456
0.456
filter
Python内建的filter()
函数用于过滤序列(即筛选)。
和map()
类似,filter()
也接收一个函数和一个序列。和map()
不同的是,filter()
把传入的函数依次作用于每个元素,然后根据返回值是True还是False决定保留还是丢弃该元素。
例如把一个序列中的空字符串删掉:
def not_empty(s):
return s and s.strip() #
print(list(filter(not_empty,['A','','B',None,'C',''])))
['A', 'B', 'C']
补充:
not_empty只是拿来判断list中每个元素是否为真,并不更改list里的值
strip()参数为空时表示,删除空白符(包括’\n’, ‘\r’, ‘\t’, ’ ')
s is None,那么s会被判断为False;s is not None,那么s会被判断为True,and以后返回后一项,返回了s.strip()。
s.strip() 不能单独使用
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。(只有在取filter()
结果的时候,才会真正筛选并每次返回下一个筛出的元素。)
用filter求素数
方法:
(1)首先,列出从2开始的所有自然数,构造一个序列
(2)取序列的第一个数2,它一定是素数,然后用2把序列的2的倍数筛掉
(3)取新序列的第一个数3,它一定是素数,然后用3把序列的3的倍数筛掉
(4)不断筛下去,就可以得到所有的素数
代码实现:
def _odd_iter(): #先构造一个从3开始的奇数序列
n = 1
while True:
n = n + 2
yield n #这是一个生成器,并且是一个无限序列。
def _not_divisible(n): #定义一个筛选函数
return lambda x:x % n > 0
#生成器先返回第一个素数2,然后,利用filter()不断产生筛选后的新的序列
def primes(): #定义一个生成器,不断返回下一个素数
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
#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
for n in primes(): # 打印50以内的素数
if n < 50:
print(n)
else:
break
2
3
5
7
11
13
17
19
23
29
31
37
41
43
47
练习
回数是指从左向右读和从右向左读都是一样的数,例如12321,利用filter()筛选出回数:
def is_palindrome(n):
return str(n) == str(n)[::-1]
output = filter(is_palindrome, range(1, 200))
print('1~100:', list(output))
if list(filter(is_palindrome, range(1, 200))) == [1, 2, 3, 4, 5, 6, 7, 8, 9, 11, 22, 33, 44, 55, 66, 77, 88, 99, 101, 111, 121, 131, 141, 151, 161, 171, 181, 191]:
print('测试成功!')
else:
print('测试失败!')
1~100: [1, 2, 3, 4, 5, 6, 7, 8, 9, 11, 22, 33, 44, 55, 66, 77, 88, 99, 101, 111, 121, 131, 141, 151, 161, 171, 181, 191]
测试成功!
sorted
Python内置的sorted()
函数可以对list进行排序,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,用sorted()
排序的关键在于实现一个映射函数。例如:
print(sorted([3,-5,9,-2]))
print(sorted([3,-5,9,-2],key = abs)) #按绝对值排序
[-5, -2, 3, 9]
[-2, 3, -5, 9]
key指定的函数将作用于list的每一个元素上,并根据key函数返回的结果进行排序。对比原始的list和经过key=abs处理过的list:
list = [3,-5,9,-2]
key = [3,5,9,2]
然后sorted()
函数按照keys进行排序,并按照对应关系返回list相应的元素。
对字符串进行排序,按照ASCII的大小比较,由于’Z’ < ‘a’,大写字母Z会排在小写字母a的前面。
print(sorted(['bob','about','Zoo']))
['Zoo', 'about', 'bob']
对字符串进行忽略大小写的排序:
print(sorted(['bob','about','Zoo'],key = str.lower))
['about', 'bob', '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
:
print(sorted(['bob','about','Zoo'],key = str.lower,reverse=True))
['Zoo', 'bob', 'about']
练习
1.用sorted()对表示学生名字和成绩的列表分别按名字排序:
L = [('Bob', 75), ('Adam', 92), ('Bart', 66), ('Lisa', 88)]
def by_name(t):
return t[0].lower() #或者return t
L2 = sorted(L, key=by_name)
print(L2)
[('Adam', 92), ('Bart', 66), ('Bob', 75), ('Lisa', 88)]
2.按成绩从高到低排序:
# -*- coding: utf-8 -*-
L = [('Bob', 75), ('Adam', 92), ('Bart', 66), ('Lisa', 88)]
def by_score(t):
return -t[1]
L2 = sorted(L, key=by_score)
print(L2)
[('Adam', 92), ('Lisa', 88), ('Bob', 75), ('Bart', 66)]
返回函数
函数作为返回值
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。
实现可变参数求和(功能:不需要立刻求和,而是在后面的代码中,根据需要再计算,可以不返回求和的结果,而是返回求和的函数):
def lazy_sum(*args):
def sum():
ax = 0
for n in args:
ax = ax + n
return ax
return sum #注意是sum而不是sum()
f = lazy_sum(1,3,5,7,9) #调用lazy_sum()时,返回的并不是求和结果,而是求和函数
print(f)
print(f())
<function lazy_sum.<locals>.sum at 0x00000147183038C8>
25
函数lazy_sum
中又定义了函数sum
,并且,内部函数sum
可以引用外部函数lazy_sum
的参数和局部变量,当lazy_sum
返回函数sum
时,相关参数和变量都保存在返回的函数中,这种称为“闭包(Closure)”的程序结构拥有极大的威力。
>>> f1 = lazy_sum(1, 3, 5, 7, 9)
>>> f2 = lazy_sum(1, 3, 5, 7, 9)
>>> f1==f2 #f1()和f2()的调用结果互不影响
False
注意:
调用lazy_sum()时,每次调用都会返回一个新的函数,即使传入相同的参数
闭包
闭包理解:https://www.cnblogs.com/s-1314-521/p/9763376.html
在一个外函数中定义了一个内函数,内函数里运用了外函数的临时变量,并且外函数的返回值是内函数的引用。这样就构成了一个闭包。
def count():
fs = []
for i in range(1,4):
def f():
return i*i
fs.append(f)
return fs
f1,f2,f3 = count()
print(f1(),f2(),f3())
9 9 9 #不是1 4 9
注意:
返回的函数并没有立刻执行,而是直到调用了f()才执行
上面的例子中,每次循环,都创建了一个新的函数,然后,把创建的3个函数都返回了
返回的函数引用了变量i,但它并非立刻执行。等到3个函数都返回时,它们所引用的变量i已经变成了3,因此最终结果为9。
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。
要想用到循环变量,再创建一个函数,用该函数的参数绑定循环变量当前的值,无论该循环变量后续如何更改,已绑定到函数参数的值不变(缺点:代码较长,可利用lambda函数缩短代码):
def count():
def f(j):
def g():
return j * j
return g
fs = []
for i in range(1,4):
fs.append(f(i))
return fs
f1,f2,f3 = count()
print(f1(),f2(),f3())
1 4 9
练习
利用闭包返回一个计数器函数,每次调用它返回递增整数:
def createCounter():
cnt = [0] #cnt=[0]是创建一个list,cnt[0]指的是这个list第一个元素
#print(cnt[0])
def counter():
cnt[0] = cnt[0] + 1
return cnt[0]
return counter
# 测试:
counterA = createCounter()
print(counterA(), counterA(), counterA(), counterA(), counterA()) # 1 2 3 4 5
counterB = createCounter()
if [counterB(), counterB(), counterB(), counterB()] == [1, 2, 3, 4]:
print('测试通过!')
else:
print('测试失败!')
1 2 3 4 5
测试通过!
匿名函数
在传入函数时,有些时候,不需要显式地定义函数,直接传入匿名函数更方便。
例如传入匿名函数:
print(list(map(lambda x:x * x,[1,2,3,4,5,6,7,8,9])))
[1, 4, 9, 16, 25, 36, 49, 64, 81]
lambda x:x * x
等价于:
def f(x):
return x * x
关键字lambda
表示匿名函数,冒号前面的x表示函数参数。
限制:只能有一个表达式,不用写return
,返回值就是该表达式的结果。
匿名函数不用担心函数名冲突,匿名函数也是一个函数对象,也可以把匿名函数赋值给一个变量,再利用变量来调用该函数:
f = lambda x:x * x
print(f(5))
print(f)
25
<function <lambda> at 0x0000019E11C12EA0>
匿名函数也可以作为返回值返回
def build(x,y):
return lambda:x * x + y * y
f = build(1,2)
print(f())
5
装饰器
装饰器:在函数调用前后自动打印日志,但又不希望修改now()
函数的定义,这种在代码运行期间动态增加功能的方式,称之为“装饰器”(Decorator)。
由于函数也是一个对象,而且函数对象可以被赋值给变量,所以,通过变量也能调用该函数:
def now():
print('2020-09-08')
f = now
print(f())
2020-09-08
None
函数对象有一个__name__
属性,可以拿到函数的名字:
>>> now.__name__
'now'
>>> f.__name__
'now'
decorator是一个返回函数的高阶函数,定义一个能打印日志的decorator,如下:
def log(func):
def wrapper(*args,**kw):
print('call %s():'%func.__name__)
return func(*args,**kw)
return wrapper
@log
def now():
print('2020-09-08')
print(now())
call now():
2020-09-08
None
其中把@log
放到now()
函数的定义处,等价于:now = log(now)
由于log()
是一个decorator,返回一个函数,所以,原来的now()
函数仍然存在,只是现在同名的now
变量指向了新的函数,于是调用now()
将执行新函数,即在log()函数中返回的wrapper()
函数。
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。在wrapper()
函数内,首先打印日志,再紧接着调用原始函数。
如果decorator本身需要传入参数,就需要编写一个返回decorator的高阶函数,比如,要自定义log的文本:
#3层嵌套的decorator
def log(text):
def decorator(func):
def wrapper(*args, **kw):
print('%s %s():' % (text, func.__name__))
return func(*args, **kw)
return wrapper
return decorator
@log('execute')
def now():
print('2020-09-08')
now() #区分两种的输出
print(now())
print(now.__name__)
execute now():
2020-09-08
execute now():
2020-09-08
None
wrapper
3层嵌套等价于now = log('execute')(now)
分析:
首先执行log('execute')
,返回的是decorator
函数。
然后调用返回的函数,参数是now
函数,返回值最终是wrapper
函数。
最后因为函数也是对象,它有__name__等属性,但经过decorator装饰之后的函数,它们的__name__
已经从原来的'now'
变成了'wrapper'
。
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__
,Python内置的functools.wraps可以完成,完整代码:
import functools
def log(func):
@functools.wraps(func)
def wrapper(*args, **kw):
print('call %s():' % func.__name__)
return func(*args, **kw)
return wrapper
带参数的decorator:
import functools
def log(text):
def decorator(func):
@functools.wraps(func)
def wrapper(*args, **kw):
print('%s %s():' % (text, func.__name__))
return func(*args, **kw)
return wrapper
return decorator
@log('execute') #没有下面的now()这句话也不执行
def now():
print('2020-09-08')
now()
execute now():
2020-09-08
练习
请设计一个decorator,它可作用于任何函数上,并打印该函数的执行时间:
(参考别人的答案,还没搞懂)
# # -*- coding: utf-8 -*-
import time, functools
def metric(fn):
@functools.wraps(fn)
def wrapper(*args):
t1 = time.time()
result = fn(*args)
t2 = time.time()
print('%s executed in %s ms' % (fn.__name__, t2 - t1))
return result
return wrapper
# 测试
@metric
def fast(x, y):
time.sleep(0.0012)
return x + y;
@metric
def slow(x, y, z):
time.sleep(0.1234)
return x * y * z;
f = fast(11, 22)
s = slow(11, 22, 33)
if f != 33:
print('测试失败!')
elif s != 7986:
print('测试失败!')
fast executed in 0.0020406246185302734 ms
slow executed in 0.12458181381225586 ms
思考(这一块不是很懂,回顾的时候再来补充):
写出一个@log
的decorator,使它既支持:
@log
def f():
pass
又支持
@log('execute')
def f():
pass
偏函数
Python的functools
模块提供了很多有用的功能,其中一个就是偏函数(Partial function)。
作用: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。
例如:
#int()函数默认按十进制转换
print(int('12345'))
#可以传入base参数,做N进制的转换
print(int('12345',base = 8))
print(int('12345',base = 16))
12345
5349
74565
假设要转换大量的二进制字符串,每次都传入int(x, base=2)
非常麻烦,这时可以定义一个int2()
的函数,默认把base=2
传进去:
def int2(x,base = 2):
return int(x,base)
print(int2('1000000'))
64
functools.partial
就是帮助我们创建一个偏函数的,不需要我们自己定义int2()
,可以直接使用下面的代码创建一个新的函数int2
:
import functools
int2 = functools.partial(int,base = 2) #默认值为2
print(int2('1000000'))
print(int2('1000000',base = 10)) #可以在函数调用时传入其他值
64
1000000
最后,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,当传入:
int2 = functools.partial(int, base=2)
实际上固定了int()
函数的关键字参数base
,也就是int2('10010')
等价于:
kw = { 'base': 2 }
int('10010', **kw)
当传入:
max2 = functools.partial(max, 10)
实际上会把10
作为*args
的一部分自动加到左边,也就是max2(5, 6, 7)
相当于:
args = (10, 5, 6, 7)
max(*args) #10
小结:
当函数的参数个数太多,需要简化时,使用functools.partial
可以创建一个新的函数,这个新函数可以固定住原函数的部分参数,从而在调用时更简单。