函数式编程python_Python函数式编程

函数式编程

函数式编程就是一种给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，只要输入是正确的，输出就是正确的。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。

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

变量可以指向函数

即：

>>> abs(-10)

10

>>> abs

>>> x = abs(-10)

>>> x

10

>>> f = abs

>>> f

#即：

>>> f(-10)

10

函数名也是变量

即：

>>> abs = 10

>>> abs(-10)

Traceback (most recent call last):

File "", line 1, in

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，要恢复abs函数，请重启Python交互环境

传入函数

既然变量可以指向函数，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，这种函数称为高阶函数。一个简单的高阶函数

def add(x, y ,f)

return f(x) + f(y)

map/reduce

python内建了map()和reduce()函数

map()函数接收脸啊哥哥参数，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，并把结果作废新的Iterator返回。即：

def f(x):

return x ** 2

r = map(f, [1, 2, 3, 4, 5, 6, 7, 8, 9])

print(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()函数把整个序列都计算出来并返回一个list

map()作为高阶函数，事实上它把运算规则抽象化，作用在Iterable的每一个元素并生成一个新的Iterator

reduce()``函数，把一个函数作用在一个序列上，这个函数必须接收两个参数，reduce`把结果继续和序列的洗一个元素做累积计算，其效果是:

reduce(f, [x1, x2, x3, x4]) = f(f(f(x1, x2,), x3), x4)

#对一个序列求和

>>> from functools import reduce

>>> def add(x, y)

return x + y

>>> reduce(add, [1, 3, 5, 7, 9])

25

filter

filter()函数用于过滤序列和map()相似，filter()也接收一个函数和一个序列。和map()不同的是，filter()把纯如的函数依次作用于每个元素，然后根据返回值的True和False决定保留还是丢弃该元素，例：保留奇数

def is_odd(n):

return n % 2 == 1

list(filter(is_odd, [1, 2, 4, 5, 6, 9, 10, 15]))

# 结果集[1,5, 9, 15]

可看出，上述举例中is_odd()可以看作是一个筛选函数。使用filter()函数，关键在于正确实现一个筛选函数。

计算素数

计算素数的一个方法是埃拉托色尼筛选法，理解非常简单：

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

3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,......

取序列的第一个数3，它一定是素数，然后用3把序列的3的倍数筛掉

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5，它一定是素数，然后用5把序列的5的倍数筛掉

6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,......

不断的筛选下去，就可以得到所有的素数。即：

构造一个从3开始的奇数序列，下列是一个从3开始的奇数序列生成器，并且是一个无限序列3-∞

def _iter():

n = 1

while True:

n = n + 2

yield n

定义一个筛选函数

def _not_divisible(n):

return lambda x : x % n > 0 #序列x中的所有元素% n > 0的保留，% n == 0的不保留

最后，定义一个生成器，不断返回下一个素数

def primes():

yield 2

it = _iter() # 初始化序列

while True:

n = next(it) # 返回序列的第一个数

yield n

it = filter(_not_divisible(n), it) # 构造一个新的序列

primes是一个无限序列，所以调用时，设置一个退出循环的条件

for n in primes():

if n < 100:

print(n) #打印从2-100的所有素数值，即上述`primes()`函数中`yield`返回的n

else:

break

sorted排序算法

内置的排序算法函数sorted()，可以对list进行排序。sorted()函数还可以接收一个key函数来实现自定义的排序。即：

L = [('Bob', 75), ('Adam', 92), ('Bart', 66), ('Lisa', 88)]

# 按学生姓名进行排序规则

def by_name_sort(t):

return t[0]

# 按照学生成绩从高到低排序规则

def by_score_sort(t):

return -t[1]

# 运行结果：

L2 = sorted(L, key=by_name_sort)

print(L2)

# 结果：[('Adam', 92), ('Bart', 66), ('Bob', 75), ('Lisa', 88)]

L3 = sorted(L, key=by_score_sort)

print(L3)

# 结果：[('Adam', 92), ('Lisa', 88), ('Bob', 75), ('Bart', 66)]

返回函数

将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 # 返回sum函数，sum函数内暂不计算求和

f = lazy_sum(1, 3, 5, 7, 9)

print(f)

# TODO:打印：.sum at 0x0000014B7A247A60>

print(f()) # 运行f函数，即lazy_sum(*args)返回的sum()函数

# 打印结果：25

函数lazy_sum(*args)中又定义了函数sum，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，被称为“闭包”的程序拥有极大的威力。

注：每次调用时，都会返回一个新的函数，即使传入相同的参数

>>> f1 = lazy_sum(1, 3, 5, 7, 9)

>>> f2 = lazy_sum(1, 3, 5, 7, 9)

>>> f1 == f2

False

>>> f1() == f2()

True

闭包

返回的函数并没有立刻执行，而是直到调用了f()才执行

def count():

fs = []

for i in range(1,4):

def f():

return i * i

fs.append(f)

return fs

f1, f2, f3 = count()

# 调用

print(f1) # 9

print(f2) # 9

print(f3) # 9

全部都是9，原因在于返回的函数引用了变量i，但是并非立刻执行，等到3个函数都返回时，引用的变量i已经变成了3，因那次结果为9。

返回闭包时牢记：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。

若一定要引用循环变量，在创建一个函数，用函数的参数绑定循环变量当前的值。

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

f1, f2, f3 = count()

# 调用

print(f1) # 1

print(f2) # 4

print(f3) # 9

缺点是代码较长，可利用lambda函数缩短代码。

匿名函数lambda

lambda x: x * x实际上是：

def f(x):

return x * x

lambda是匿名函数的关键字，冒号前面的x表示函数参数。

匿名函数有个限制，只能有一个表达式，不用写return，返回值就是该表达式的结果。也可以将匿名函数赋值给一个变量，利用变量来调用该函数

装饰器

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。函数对象有一个__name__属性，可以拿到函数的没名字：

def now():

print('2020-06-05')

f = now

print(now.__name__) # 'now'

现增强now()函数的功能，如，在函数调用前后自动打印日志，但是不希望修改now()函数的定义，这种在代码运行期间动态增加功能的方式，被称为“装饰器”(Decorator)。

decorator是一个返回函数的高阶函数，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

函数log是一个decorator，所以接受一个函数作为参数，并返回一个函数。借助@语法，把dedcorator置于函数的定义处：

@log

def now():

print('2020-06-05')

当调用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()

calll now()

2020-06-05

将@log放在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()函数任然存在，只是同名的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()函数课可以接受任意参数的调用。在wrapper()函数内，首先打印日志，再调用原始函数。

若decorator本身需要传入参数，就需要编写一个返回decorator的高阶函数，写出来会更加复杂，如：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

使用后:

@log('execute')

def now():

print('2020-06-05')

now()

# execute now():

# 2020-06-05

3层嵌套的效果是这样的，now = log('execute')(now)。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。

函数也是对象，它有__name__等属性，经过哦decorator装饰之后，'__name__'属性从原来的函数名变成了'wrapper'。因为返回的那个wrapper()函数名字就是wrapper，所以，幼把原始函数的__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中内置了funtools.wraps，就是干这个事情的：

import functools

def log(func):

@functools.wraps(func)

def wrapper(*args, **kw):

print('call %s()' % func.__name__)

return func(*args, **kw)

return wrapper

import functools是导入functools模块。

偏函数

偏函数，即functools模块中的一个功能函数partial，functools.partial的作用就是，把一个函数的某些参数给固定住(即默认值)，返回一个新的函数，调用这个新函数会更加简单。

当函数的参数太多，需要简化时，使用functools.partial创建一个新的函数，新函数可以固定原函数部分参数，从而调用时更简单。