Python函数式编程，2024年Python者未来的出路在哪里-CSDN博客

本文链接：https://blog.csdn.net/m0_60721695/article/details/136894778

6.6 基于类的装饰器

6.7 装饰器的副作用

6.8 小结

7 partial

1 概述

在前面，我们已经对Python学习做了系统的知识梳理（ Python思维导图），上一节我们讲解了函数的基本知识，这一节我们分享函数式编程。

1.1 函数式编程

函数式编程（ functional programming ）是一种编程范式（ Programming paradigm ），或者说编程模式，比如我们常见的过程式编程是一种编程范式，面向对象编程又是另一种编程范式。

1.2 特征

函数式编程的一大特性就是：可以把函数当成变量来使用，比如将函数赋值给其他变量、把函数作为参数传递给其他函数、函数的返回值也可以是一个函数等等。

Python 不是纯函数式编程语言，但它对函数式编程提供了一些支持。本章主要介绍 Python 中的函数式编程，主要包括以下几个方面：

2 高阶函数

在函数式编程中，我们可以将函数当作变量一样自由使用。一个函数接收另一个函数作为参数，这种函数称之为高阶函数（Higher-order Functions ）。

看一个简单的例子：

1. def func ( g , arr ):

2. return [ g ( x ) for x in arr ]

上面的代码中， func 是一个高阶函数，它接收两个参数，第 1 个参数是函数，第 2 个参数是数

组， func 的功能是将函数 g 逐个作用于数组 arr 上，并返回一个新的数组，比如，我们可以这

样用：

1. def double ( x ):

2. return 2 * x

4. def square ( x ):

5. return x * x

7. arr1 = func ( double , [ 1 , 2 , 3 , 4 ])

8. arr2 = func ( square , [ 1 , 2 , 3 , 4 ])

不难判断出，arr1 是 [2, 4, 6, 8]，arr2 是 [1, 4, 9, 16]。

3 匿名函数

3.1 定义

在 Python 中，我们使用 def 语句来定义函数，比如：

1. def double ( x ):

2. return 2 * x

除了用上面的方式定义函数， Python 还提供了一个关键字 lambda ，让我们可以创建一个匿名函

数，也就是没有名称的函数。它的形式如下：

1. lambda 参数 : 表达式

关键字 lambda 说明它是一个匿名函数，冒号 : 前面的变量是该匿名函数的参数，冒号后面

是函数的返回值，注意这里不需使用 return 关键字。

我们将上面的 double 函数改写成一个匿名函数，如下：

1. lambda x : 2 * x

那怎么调用匿名函数呢？可以直接这样使用：

1. >>> ( lambda x : 2 * x )( 8 )

2. 16

由于匿名函数本质上是一个函数对象，也可以将其赋值给另一个变量，再由该变量来调用函数，如下：

1. >>> f = lambda x : 2 * x # 将匿名函数赋给变量 f

2. >>> f

3. < function < lambda > at 0x7f835a696578 >

4. >>> f ( 8 )

5. 16

3.2 使用场景

lambda 函数一般适用于创建一些临时性的，小巧的函数。比如上面的 double 函数，我们当

然可以使用 def 来定义，但使用 lambda 来创建会显得很简洁，尤其是在高阶函数的使用

中。

看一个例子：

1. def func ( g , arr ):

2. return [ g ( x ) for x in arr ]

现在给一个列表 [1, 2, 3, 4] ，利用上面的函数，对列表中的元素加 1 ，返回一个新的列表，你可

能这样用：

1. def add_one ( x ):

2. return x + 1

4. arr = func ( add_one , [ 1 , 2 , 3 , 4 ])

这样做没什么错，可是 add_one 这个函数太简单了，使用 def 定义未免有点小题大作，我们

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

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！