python3基础知识复习 -- 函数式编程

函数式编程

• 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。
  对应到编程语言，就是越低级的语言，越贴近计算机，抽象程度低，执行效率高，比如C语言；越高级的语言，越贴近计算，抽象程度高，执行效率低，比如Lisp语言。
  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！

高阶函数

• 一个函数就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。
• 函数可以指向其他变量， f = abs --> f(-10) == 10
• 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！
  如果把abs指向其他对象，会有什么情况发生？

>>> 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！
当然实际代码绝对不能这么写，这里是为了说明函数名也是变量。要恢复abs函数，请重启Python交互环境。

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。

常见高阶函数

• Note: 高阶函数经常和lambda一起配合使用哦。
• filter() — 过滤器，如果前面用函数，则返回function(item)中为true的结果，如果前面为None, 返回迭代项中为true的部分。filter()这个高阶函数，关键在于正确实现一个“筛选”函数。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
  • 格式：filter(function or None, iterable) --> filter object --> 返回一个列表object–> list 查看

#筛选奇数，偶数的x % 2结果为0 就不会返回
 list(filter(lambda x: x % 2, range(10)))
[1, 3, 5, 7, 9]

#求3的倍数, x%3 为0是if判断直接去else了，如果不为0就去False那边(这样filter就把它直接过滤了)
list(filter(lambda : False if x % 3 else x, range(100)))

# 去除序列中的空字符串, and 的用法，s为真时返回s.strip(), s为假时返回s本身然后被filter掉:) 
>>> list(filter(lambda s: s and s.strip(), ['A', '', 'B', None, 'C', '  ']))
['A', 'B', 'C']


# 计算素数的一个方法是埃氏筛法，它的算法理解起来非常简单：
# 首先，列出从2开始的所有自然数，构造一个序列：
# 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, ...
# 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,  5,  7,  9,  11,  13,  15,  17, 19, ...
# 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：
# 5, 7, 8, 10, 11, 13, 14, 16, 17, 19, ...
# ...
# 不断筛下去，就可以得到所有的素数。
# 定义一个奇数[3,5,7,9...]的迭代器
def num_list():
    n = 1
    while True:
        n += 2
        yield n

# 定义素数的iterator
def primes():
    yield 2  # 第一次读取返回2
    g = num_list()  # 初始化奇数列表的迭代器
    while True:
        num = next(g)  # 每次取出该iterator的一个元素
        yield num
        g = filter(lambda x: x % num > 0, g)  # lambda表达式每次将num以及其倍数通过filter去掉，再产生新的素数迭代器


p = primes()
# 给定范围来返回，因为素数iterator是全体素数，无限~
for each in p:
    if each < 100:
        print(each)
    else:
        break

• map() – 高阶函数之一，映射， 将每一个元素作为函数的参数进行运算加工，直到可迭代的每个元素都加工完毕，返回所有加工后的元素构成的新序列
  • map(function or None, iterable)
  • 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。由于返回的迭代器是惰性的，需要用list把整个序列都计算出来。

eg.
list(map(lambda x: x*2, range(10)))

list(map(lambda x: x % 2, range(10)))
[0, 1, 0, 1, 0, 1, 0, 1, 0, 1]

• reduce() – 高阶函数，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)

但是如果要把序列[1, 3, 5, 7, 9]变换成整数13579，reduce就可以派上用场：

 from functools import reduce
    
    DIGITS = {
        '1': 1,
        '2': 2,
        '3': 3,
        '4': 4,
        '5': 5,
        '6': 6,
        '7': 7,
        '8': 8,
        '9': 9,
        '0': 0
    }
    
    # 方法一
    '''
    def str2int(s):
    
        def fun(x, y):
            return x 10 + y
    
        def char2int(s):
            return DIGITS[s]
    
        return reduce(fun, map(char2int, s))
    '''
    
    # 方法二
    def char2int(s):
        return DIGITS[s]
    
    def str2int(s):
        return reduce(lambda x, y: x 10 + y, map(char2int, s))
    
    print(str2int('13423'))
    
    # 也就是说，假设Python没有提供int()函数，你完全可以自己写一个把字符串转化为整数的函数，而且只需要几行代码！

把“123.456” 字符串变为float 123.456

    from functools import reduce
    
    def char2float(s):
        if not isinstance(s, str):
            return
        x = s.split('.')
        return reduce(lambda a, b: a + b pow(10, -len(x[1])), map(int, x))
    
    print(char2float('123.345'))

• sorted()（BIF）-- 返回一个全新的列表，不同于(列表的s.sort() 表示源列表被改)， 可接受任何可迭代对象作为参数

对于不变对象来说，调用对象自身的任意方法，也不会改变该对象自身的内容。相反，这些方法会创建新的对象并返回，这样，就保证了不可变对象本身永远是不可变的。

sorted(s, reverse=True) -- 倒序

sorted(s, key=len) --- key是排序方法，这里引入len函数，无括号

    s = ["peach", "pitaya", "durain", "dragon", "tangerine"]
    
     sorted(s)
    ['dragon', 'durain', 'peach', 'pitaya', 'tangerine']
    
     sorted(s, reverse = True)
    ['tangerine', 'pitaya', 'peach', 'durain', 'dragon']
    
     sorted(s, key = len)
    ['peach', 'pitaya', 'durain', 'dragon', 'tangerine']
    
    # 按照字母顺序，无视大小写
    sorted(s, key = str.lower)

lambda 函数

---

• 创建匿名函数，更加精简， 一句话函数

lambda <参数1，参数2…> : <return 表达式>

    eg:
     def ds(x):
    	return x + 2
    
     ds(3)
     5
    
    >>> lambda x : x + 2
    <function <lambda> at 0x02F225C8> #产生的是一个函数，需要赋值使用
    
     g = lambda x : x + 2  # 可以赋值给一个变量使用
     g(3)
     5

lambda表达式作用：

• 用python写一些之小脚本时，可以省下定义函数的过程，eg.只需要写个简单的脚本管理服务器时间，而不需要专门定义一个函数再写调用，使代码更简洁
• 对于一些比较抽象且整个程序执行下来只需调用一两次的函数，使用lambda不需要考虑函数命名的问题
• 简化代码的可读性，普通函数每次要去找def 部分，lambda可以省略这些
• 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。

装饰器(decorator)

• 现在，假设我们要增强now()函数的功能，比如，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）。

>>> def now():
...     print('2015-3-25')

本质上，decorator就是一个返回函数的高阶函数。所以，我们要定义一个能打印日志的decorator，可以定义如下：

def log(func):
    def wrapper(*args, **kw):
        print('call %s():' % func.__name__)  # func.__name__ 表示函数的名称
        return func(*args, **kw)
    return wrapper

观察上面的log，因为它是一个decorator，所以接受一个函数作为参数，并返回一个函数。我们要借助Python的@语法，把decorator置于函数的定义处：

@log
def now():
    print('2015-3-25')

调用now()函数，不仅会运行now()函数本身，还会在运行now()函数前打印一行日志：

>>> now()
call now():
2015-3-25

把@log放到now()函数的定义处，相当于执行了语句：

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，那就需要编写一个返回decorator的高阶函数，写出来会更复杂。比如，要自定义log的文本：

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('2015-3-25')

执行结果如下：

>>> now()
execute now():
2015-3-25

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。

以上两种decorator的定义都没有问题，但还差最后一步。因为我们讲了函数也是对象，它有__name__等属性，但你去看经过decorator装饰之后的函数，它们的__name__已经从原来的’now’变成了’wrapper’：

>>> now.__name__
'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__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

或者针对带参数的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

eg: 设计一个decorator打印一个函数的执行时间

    # -*- coding: UTF-8 -*-
    import time, functools
    
    # 不加参数装饰器
    def metric(fn):
    
        @functools.wraps(fn)
        def wrapper(*args, **kw):
            t1 = time.time()
            result = fn(*args, **kw)
            t2 = time.time()
            print('function %s run %f ms' % (fn.__name__, t2 - t1))
            return result
    
        return wrapper
    
    
    @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)
    print(f, s)
    
    function fast run 0.006482 ms
    function slow run 0.138556 ms
    33 7986

   # 装饰器加不加参数都可运行
   # -*- coding: UTF-8 -*-
   import time, functools
   
   def log(text):
       def decorator(fn):
           @functools.wraps(fn)
           def wrapper(*args, **kw):
               if isinstance(text, str):
                   print('%s %s' % (text, fn.__name__))
               else:
                   print('calling %s' % fn.__name__)
               return fn(*args, **kw)
   
           return wrapper
   
       if isinstance(text, str):
           return decorator
       else:
           return decorator(text)
   
   
   @log
   def fast(x, y):
       time.sleep(0.0012)
       return x + y
   
   
   @log('execute')
   def slow(x, y, z):
       time.sleep(0.1234)
       return x y z
   
   
   f = fast(11, 22)
   s = slow(11, 22, 33)
   print(f, s)

偏函数(Partial Function)

• 偏函数（Partial function）来自functools.partial(func, *args, **kwargs)
• 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。
• 作用：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

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，于是，我们想到，可以定义一个int2()的函数，默认把base=2传进去：

>>> int('101101', base=2)
45

def int2(x, base=2):
    return int(x, base)

这样，我们转换二进制就非常方便了：
>>> int2('1010101')
85

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)
>>> int2('1000000')
64
>>> int2('1010101')
85

注意到上面的新的int2函数，仅仅是把base参数重新设定默认值为2，但也可以在函数调用时传入其他值：

>>> int2('1000000', base=10)
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')
==>
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)

结果为10。

---

有用的三连一下哦 😃