python5 函数式编程-CSDN博客

函数式编程:把函数作为参数传入，这样的函数称为高阶函数，函数式编程就是指这种高度抽象的编程范式。

def add(x, y, f): 
  return f(x) + f(y)
print(add(-5, 6, abs))
11
复制代码

###map/reduce

map()函数接收两个参数，一个是函数，一个是Iterable，map将传入的函数依次作用到序列的每个元素，并把结果作为新的Iterator返回。举例说明，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(r)
[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。
复制代码

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)
复制代码

比方说对一个序列求和，就可以用reduce实现：

>>> from functools import reduce
>>> def add(x, y):
...    return x + y
...
>>> reduce(add, [1, 3, 5, 7, 9])
25
复制代码

利用map和reduce写一个str转换为int的函数:

>>> from functools import reduce
>>> def fn(x, y):
...    return x * 10 + y
...
>>> 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]
...
>>> reduce(fn, map(char2num, '13579'))
13579
复制代码

用lambda函数(匿名函数)进一步简化成：

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))
复制代码

利用map()函数，把用户输入的不规范的英文名字，变为首字母大写，其他小写的规范名字。输入：['adam', 'LISA', 'barT']，输出：['Adam', 'Lisa', 'Bart']：

L = ['adam', 'LISA', 'barT','AAAAAA']
def normalize(name):
    return name[0].upper{} + name[1:].lower()
print(list (normalize(L)))
输出结果:['Adam', 'Lisa', 'Bart']
复制代码

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：

def str2Int(s):
    return {'0' : 0, '1' : 1, '2' : 2, '3' : 3, '4' : 4, '5' : 5, '6' : 6, '7' : 7, '8' : 8, '9' : 9}[s]
def str2float(name):
    if name.find(".") == -1:
        return reduce(lambda x, y: x * 10 + y, map(str2Int, name))
    else:
        n = name.index('.')
        s = name[:n] + name[n + 1:]
        return reduce(lambda x, y: x * 10 + y, map(str2Int, s)) / (10 ** (len(name) - (n + 1)))
print(str2float('12332.1'))
#输出结果:12332.1
复制代码

###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。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，在一个list中，删掉偶数，只保留奇数，可以这么写：

def is_odd(n):
  return n % 2 == 1
filter(is_odd, [1,2,3,4,5,6,7,8,9])
# 结果: [1, 5, 9, 15]
复制代码

回数是指从左向右读和从右向左读都是一样的数，例如12321，909。请利用filter()滤掉非回数：

def is_palindrome(n):
   m = str(n)
   if m == m[::-1]:
       return n
output = filter(is_palindrome, range(0,90))print(list(output))
    
复制代码

###sorted排序算法 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]
复制代码

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]
复制代码

现在，我们提出排序应该忽略大小写，按照字母序排序。要实现这个算法，不必对现有代码大加改动，只要我们能用一个key函数把字符串映射为忽略大小写排序即可。忽略大小写来比较两个字符串，实际上就是先把字符串都变成大写（或者都变成小写），再比较。

>>> sorted(['bob', 'about', 'Zoo', 'Credit'], key=str.lower)
['about', 'bob', 'Credit', 'Zoo']
复制代码

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']
复制代码

假设我们用一组tuple表示学生名字和成绩：L = [('Bob', 75), ('Adam', 92), ('Bart', 66), ('Lisa', 88)],请用sorted()对上述列表分别按名字排序：

def by_name(t):
    return t[0]
L = [('Bob', 75), ('Adam', 92), ('Bart', 66),('Lisa',88)]
print(sorted(L,key = by_name))
#[('Adam', 92), ('Bart', 66), ('Bob', 75), ('Lisa', 88)]
复制代码

def by_score(t):
    return t[1]
L = [('Bob', 75), ('Adam', 92), ('Bart', 66),('Lisa',88)]
print(sorted(L,key = by_score))
#[('Bart', 66), ('Bob', 75), ('Lisa', 88), ('Adam', 92)]
复制代码

###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。

我们来实现一个可变参数的求和。通常情况下，求和的函数是这样定义的：

def calc_sum(*args):
   ax = 0
     for n in args:
      ax = ax + n
     return ax
复制代码

但是，如果不需要立刻求和，而是在后面的代码中，根据需要再计算怎么办？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
复制代码

当我们调用lazy_sum()时，返回的并不是求和结果，而是求和函数：

>>> f = lazy_sum(1, 3, 5, 7, 9)
>>> f<function lazy_sum.<locals>.sum at 0x101c6ed90>
复制代码

调用函数f时，才真正计算求和的结果：

>>> f()
25
复制代码

###匿名函数:lambda

>>> list(map(lambda x: x * x, [1, 2, 3, 4, 5, 6, 7, 8, 9]))
[1, 4, 9, 16, 25, 36, 49, 64, 81]
复制代码

lambda ：x+y ，lambda x，y：x+y与lambda x=x，y=y：x+y 他们三者的区别是啥啊？

#lambda ：x+y匿名函数内部没有参数:
def build(x, y):
    return lambda: x * x + y * y
print(build(2,4)())
#20
#等价于:
def fn(x,y):
    def lam():
        return  x * x + y * y
    return lam
print(fn(2,4)())
#20
复制代码

#lambda x，y：x+y参数传入匿名函数内部
>>> list(map(lambda x: x * x, [1, 2, 3, 4, 5, 6, 7, 8, 9]))
[1, 4, 9, 16, 25, 36, 49, 64, 81]
#类似于:
def f(x):
   return x * x
复制代码

#lambda x=x，y=y：x+y这里需要看官方文档是怎么讲的:

>>> squares = []
>>> for x in range(5):
...  squares.append(lambda n=x: n**2)
复制代码

Here, n=x creates a new variable n local to the lambda and computed when the lambda is defined so that it has the same value that x had at that point in the loop. This means that the value of n will be 0 in the first lambda, 1 in the second, 2 in the third, and so on. Therefore each lambda will now return the correct result: (大体的意思是说,执行的时候会创建一个本地的n,n的值和x的值相等) 官方文档出处

>>> squares[2]()
4
>>> squares[4]()
16
复制代码

###装饰器

>>> def now():
...  print('2015-3-25')
...
>>> f = now
>>> f()
2015-3-25
复制代码

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'
复制代码

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）。

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：

import functools
def log(func):
  @functools.wraps(func)
   def wrapper(*args, **kw):#args和kw是func的参数
     print('call %s():' % func.__name__)
     return func(*args, **kw)
   return wrapper
复制代码

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')
复制代码

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
复制代码

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：

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
复制代码

###偏函数

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。

在介绍函数参数的时候，我们讲到，通过设定参数的默认值，可以降低函数调用的难度。而偏函数也可以做到这一点。举例如下：

int()函数可以把字符串转换为整数，当仅传入字符串时，int()函数默认按十进制转换：

>>> int('12345')
12345
复制代码

但int()函数还提供额外的base参数，默认值为10。如果传入base 参数，就可以做N进制的转换：

>>> int('12345', base=8)
5349
>>> int('12345', 16)
74565
复制代码

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：

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

这样，我们转换二进制就非常方便了:

>>> int2('1000000')
64
>>> int2('1010101')
85
复制代码

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
复制代码

所以，简单总结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。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)
复制代码

实际上固定了int()函数的关键字参数base，也就是：

int2('10010')
复制代码

相当于：

kw = { 'base': 2 }
int('10010', **kw)
复制代码

当传入：

max2 = functools.partial(max, 10)
复制代码

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)
复制代码

相当于：

args = (10, 5, 6, 7)
max(*args)
复制代码

结果为10。