前言
函数是Python内建支持的一种封装,我们通过把大段代码拆成函数,通过一层层的函数调用,就可以把复杂的任务分解成简单的任务,这种分解称为面对过程的程序设计。函数就是面向过程的程序设计的基本单元。
而函数式编程 ——Functional Programming,虽然也可归结到面向过程的程序设计,但其思想更接近数学计算。
函数式编程的一个特点是,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,所以,Python不是纯函数式编程语言。
高阶函数
变量可以指向函数
abs(-10)是函数调用,abs是函数本身。要获得函数调用结果,可以把结果赋值给变量,如果要赋值给函数本身:
>>>f = abs
>>>f
<build-in function abs>
函数本身也可以赋值给变量,即变量可以指向函数。
如果一个变量指向了一个函数,那么可以通过该变量调用这个函数:
>>>f = abs
>>>f(-10)
10
函数名也是变量
函数名其实是指向函数的变量!
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!
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!
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变量的指向在其他模块也生效,要用import builtins; builtins.abs = 10
。
传入函数
变量可以指向函数,函数的参数能接收变量,那么一个函数就可以接收另一个函数作为参数,这种函数就称为高阶函数。
例如,一个简单的高阶函数:
def add(x, y, f):
return f(x) + f(y)
>>>add(5, 6, abs)
11
函数式编程就是指这种高度抽象的编程范式。
map/reduce
map()函数接收两个参数,一个是函数,一个是Iterable,
map将传入的函数一次作用到序列的每个元素,并把结果作为新的Iterator返回。
Iiterator是惰性序列,因此可以通过list()函数让它把整个序列都计算处理并返回一个list。
map()作为高阶函数,事实上它把运算规则抽象了,其可以计算任意复杂的函数,如把这个list的所有数字转为字符串:
>>>list(map(str, [1, 2, 3, 4, 5, 6, 7, 8]))
[‘1’, ‘2’, ‘3’, ‘4’, ‘5’, ‘6’, ‘7’, ‘8’]
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 give it 2),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)
可以用lambda函数简化写出str转为int的函数:
from functools import reduce
def char2num(s):
return {'0': 0, '1': 1, '2': 2, '3': 3, '4': 4, '5': 5, '6': 6, '7': 7, '8': 8, '9': 9}[s]
def str2int(s):
return reduce(lambda x, y: x * 10 + y, map(char2num, s))
>>> L=['1', '2', '3']
>>> reduce(lambda x, y: x * 10 + y, map(int, L), 0)
123
L[::-1]表示将L内元素反过来
练习
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:
# -*- coding: utf-8 -*-
from functools import reduce
def str2float(s):
t = s if ’.’ in s else s+ ‘.’
d, f = s.split(‘.’) #split()通过指定分隔符对字符串进行切片,返回分割后的字符串列表
return reduce(lambda x,y: x * 10 + y, map(int,d), 0) + reduce(lambda x, y: x / 10 + y, map(int,reverse[‘0’ + f]), 0)
#reduce()函数内有三个元素时,因为指定了第三个元素为0,所以第一次执行时,x = 0, y = f[0];第二次执行的时候,x =f[0], y =f[1]
#reverse()函数表示将list中的元素反向排序。[‘0’ + f]中的0相当于代替’.’进行循环,把’.'放在开头
print(str2float('345.678')) # 345.678
print(str2float('0')) # 0.0
print(str2float('123.456')) # 123.456
print(str2float('123.45600')) # 123.456
print(str2float('0.1234')) # 0.1234
print(str2float('.1234')) # 0.1234
print(str2float('120.0034')) # 120.0034
print(str2float('.')) # 0.0
filter
Python内建的filter()函数用于过滤序列。
和map()类似,filter也接收一个函数和一个序列。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,关键在于正确实现一个“筛选”函数。
如,移除一个序列中的空字符串:
def not_empty(s):
return s and s.strip() #
list(filter(not_empty,['A', 'B', '', None, 'C', ' ']))
['A', 'B', 'C’]
注意filter()函数返回的也是一个惰性序列(Iterator),需要用list()函数获得所有结果并返回到list。
用filter求素数
可以用python实现计算素数的一个方法——埃氏筛法:
1.可以先构造一个从3开始的奇数序列(这是个生成器,并且是个无限数列):
def _odd_iter():
n = 1
while True:
n = n + 2
yield n
2.定义一个筛选函数:
def _not_divisible(n):
return lambda x: x % n > 0
3.定义一个生成器,不断返回下一个素数:
def primes():
yield 2
t = _odd_iter()#初始序列
while True:
n = next(t)#返回序列第一个数
yield n
t = filter(_not_divisible(n), t)
这个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
4.因primes()也是一个无限数列,所以调用时需要设置一个退出循环的条件:
for n in primes():
if n < 1000:
print(n)
else:
break
sorted
排序的核心是比较两个元素的大小。比较的过程必须通过函数抽象出来。
Python内置的sorted()函数就可以对list进行排序:
>>> sorted([36,5,-6, 0,-21])
[-21, -6, 0, 5, 36]
另外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, -6, 0, -21],key = abs)
[0, 5, -6, -21, 36]
key指定的函数将作用于list的每一个元素上,把元素传入key函数后返回的结果进行排序,并按照对应关系返回list相应的元素。
要实现忽略大小写的排序,给sorted传入这样的key函数:key = str.lower
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’]
用sorted()排序的关键在于实现一个映射函数。
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。
def lazy_sum(*args):
def sum():
ax = 0
for n in args:
ax = ax + n
return ax
return sum
在这个函数中,我们在函数lazy_sum中定义了函数sum,并且,内部函数的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)”程序。
在我们调用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:
>>> f1 = lazy_sum(1,2,3)
>>> f2 = lazy_sum(1,2,3)
>>>f1()
6
>>>f2()
6
>>> f1 ==f2
False
f1()和f2()的调用结果互不影响。
闭包
注意到上面的返回函数在其定义内部引用了局部变量args,故当一个函数返回了一个函数后,其内部的局部变量还被新函数引用。
返回的函数并没有立即执行,直到调用f()才执行。如:
def count():
fs = []
for i in range(1,4):
def f():
return i * i
fs.append(f)
return fs
f1, f2 ,f3 = count()
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。
>>> f1()
9
>>> f2()
9
>>> f3()
9
返回的函数引用了变量i,但它并非立即执行。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。
如果一定要引用循环变量,方法是再创建一个函数,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:
def count():
def f(j):
def g():
return j * j
return g
fs = []
for i in range(1,4):
fs.append(f(i)) #f(i)立刻被执行,因此i的当前值被传入f()
return fs
运行结果:
>>>f1, f2 ,f3 = count()
>>> f1()
1
>>> f2()
4
>>> f3()
9
匿名函数
当我们在传入函数时,有时候不需要显式地定义函数,直接传入匿名函数更方便。Python对匿名函数提供了有限支持。
lambda x :x * y关键字lambda表示匿名函数,冒号前面的x表示函数参数。
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。
匿名函数有个好处,不用担心函数名冲突,而且,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
>>> f
<function <lambda> at 0x100656f28>
>>> f(2)
4
同样,也可以把匿名函数作为返回值返回,比如:
def build(x, y):#可以用lambda缩短代码
return lambda: x * x + y * y
装饰器
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(‘2017-5-19')
>>> f = now
>>> f()
2017-5-19
函数对象有一个__name__
属性,可以拿到函数的名字:
>>>now.__name__
‘now'
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。我们可以定义一个能打印日志的decorator:
def log(func):
def wrapper(*args, **kw)
print(‘call %s():’ % func.__name__)
return func(*args, **kw)
return wrapper
这个log是一个decorator,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(‘2017-5-19’)
调用now()函数,不仅会运行其本身,还会在运行now()函数之前打印一行日志:
>>>now()
call now():
2017-5-19
把@log放在now()函数的定义处,相当于执行了语句:
>>>now = log(now)
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()函数的参数定义是可变参数和关键字参数,所以其可以接受任意函数的调用。
如果decorator本身需要传入参数,就需编写一个返回decorator的高阶函数。如,自定义log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的用法为:
>>> @log('execute')
def now():
print('2017-5-19')
>>> now()
execute now():
2017-5-19
和两层嵌套的decorator相比,3层嵌套的效果是这样的:
>>>now = log(‘execute’)(now)
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。
经过decorator装饰之后的函数,它们的__name__
已经由原来的’now’ 变成了’wrapper’。因为返回的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会出错。
Python内置的functools.wraps可以代替wrapper.__name__ = func.__name__
这样的代码,一个完整的decorator的写法应该是把functools.wraps写在定义wrapper()的前面:
import functools
def log(text):
def decorator(func):
@functools.wrap(func)
def wrapper(*args, **kw):
print('%s %s():' % (text, func.__name__))
return func(*args, **kw)
return wrapper
return decorator
在面向对象(OOP)的设计模式中,decorator被称为装饰模式。OOP的装饰模式需要通过继承和组合来实现,而Python除了能支持OOP的decorator外,直接从语法层次支持decorator。Python的decorator可以用函数实现,也可以用类实现。decorator可以增强函数的功能。
偏函数
Python的functools提供了很多功能,其中包括偏函数。
functools.partial
就是帮助我们创建一个偏函数,我们可以直接使用下面代码创建一个新的函数int2:
import functools
int2 = functools.partial(int, base = 2)
functools.partial的作用就是把某个函数的某个参数给固定(也就是设置默认值),返回一个新的函数,调用这个新的函数会更简单。
上面的int2函数仅仅是把base参数重新设定默认值为2,也可以在函数调用时传入其他的值。
创建偏函数时,实际可以接收:函数对象、*args、**kw三个参数。
定义了int2实际上是固定了int()函数的参数base:
int2(‘1000’)
相当于
kw={‘base’ = 2}
int(‘1000’, **kw)