声明
本文是学习廖雪峰python教程的学习笔记,原文链接如下:
https://www.liaoxuefeng.com/wiki/1016959663602400/1017328525009056
函数式编程
- 面向过程的程序设计,思想接近数学计算。
- 函数式编程是一种抽象程度很高的编程范式。
- 函数式编程特点:允许吧函数本身作为参数传入另一个函数,还允许返回一个函数。
纯函数编程
- 纯函数式编程:函数没有变量,输入确定,输出就确定。
- python对函数式编程提供部分支持。允许使用变量,不是纯函数式编程语言。
函数相关特性(变量)
- 函数本身可以赋值给变量,变量可以指向函数。可以通过变量名调用该函数。
- 函数名也是变量,指向一个具有特定功能的函数。此时如果让函数名指向其他对象(利用
赋值语句=
),就无法调用之前函数的功能。 - 如果让函数名变量的指向在其他模块也生效,要用
import builtins; builtins.abs = 10
高阶函数(传入函数)
高阶函数: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,这种函数就称之为高阶函数。
高级函数
map
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。(因为iterator是惰性序列,可以通过list将它列出)
def f(x):
return x**2
l=[1,2,3,4,5]
i=map(f,l)
print(list(i))
#next(i)
结果:
[1, 4, 9, 16, 25]
reduce
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
。即:
reduce(f, [x1, x2, x3, x4]) = f(f(f(x1, x2), x3), x4)
例如实现序列求和:
from functools import reduce
def add(x,y):
return x+y
i=reduce(add,[1,2,3,4,5,6,7,8,9])
print(i)
结果如下:
45
将map和reduce结合,实现字符串到Int的转换:
from functools import reduce
def f(x,y):
return x*10+y
def str2int(s):
digits={'0':0,'1':1,'2':2,'3':3,'4':4,'5':5,'6':6,'7':7,'8':8,'9':9}
return digits[s]
r=reduce(f,map(str2int,'534216436'))
print(r,isinstance(r,int))
结果如下:
534216436 True
实例二:
def normalize(name):
t=name.capitalize()
return t
names=['adam','LISA','SAlina','barT']
print(list(map(normalize,names)))
结果:
['Adam', 'Lisa', 'Salina', 'Bart']
filter
Python内建的filter()函数用于过滤序列
。
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。
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。
- 由于filter()使用了惰性计算,所以只有在取filter()结果的时候,才会真正筛选并每次返回下一个筛出的元素。
def is_odd(n):
return n % 2 == 1
list(filter(is_odd, [1, 2, 4, 5, 6, 9, 10, 15]))
# 结果: [1, 5, 9, 15]
利用filter求回数:
def is_palindrome(n):
tmp=n
p=0
while tmp!=0:
p=p*10+tmp%10
tmp=tmp//10
if p==n :
return True
else:
return False
out=filter(is_palindrome,range(1,1000))
print(list(out))
结果:
[1, 2, 3, 4, 5, 6, 7, 8, 9, 11, 22, 33, 44, 55, 66, 77, 88, 99, 101, 111,...888, 898, 909, 919, 929, 939, 949, 959, 969, 979, 989, 999]]
sorted 排序算法
- Python内置的sorted()函数就可以对list进行排序
- 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)
key指定的函数将作用于list的每一个元素上,并根据key函数返回的结果进行排序。对比原始的list和经过key=abs处理过的list. - 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
对字典按照名字排序:
def by_name(t):
return t[0]
L = [('Bob', 75), ('Adam', 92), ('Bart', 66), ('Lisa', 88)]
L2 = sorted(L, key=by_name)
print(L2)
结果如下:
[('Adam', 92), ('Bart', 66), ('Bob', 75), ('Lisa', 88)]
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
>>> f = lazy_sum(1, 3, 5, 7, 9)
>>> f
<function lazy_sum.<locals>.sum at 0x101c6ed90>
>>> f()
25
在函数lazy_sum中又定义了函数sum,并且,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,这种称为“闭包(Closure)”的程序结构拥有极大的威力。
- 请再注意一点,当我们调用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, 3, 5, 7, 9)
>>> f2 = lazy_sum(1, 3, 5, 7, 9)
>>> f1==f2
False
- 返回的函数并没有立刻执行,而是直到调用了f()才执行。
闭包
- 闭包 返回的函数在其定义内部引用了局部变量args,所以,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,所以,闭包用起来简单,实现起来可不容易。
- 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怎么办?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
使用闭包实现计数器:
def createCounter():
c=[0]
def counter():
c[0] = c[0] + 1
return c[0]
return counter
counterA = createCounter()
print(counterA(), counterA(), counterA(), counterA(), counterA())
结果如下:
1 2 3 4 5
匿名函数
list(map(lambda x: x * x, [1, 2, 3, 4, 5, 6, 7, 8, 9]))
关键字lambda
表示匿名函数,冒号前面的x表示函数参数。
- 匿名函数的限制:只能有一个表达式,不用写return ,返回值是表达式的结果。
- 匿名函数的优点:不必担心函数名冲突
- 匿名函数也是函数对象,可以赋值给一个变量,再通过变量调用该函数,
f = lambda x: x * x
- 同样,也可以把匿名函数作为返回值返回
示例:
L=list(filter(lambda x:x%2==1,range(1,20)))
print(L)
结果:
[1, 3, 5, 7, 9, 11, 13, 15, 17, 19]
装饰器
-
函数对象有一个
__name__
属性,可以拿到函数的名字。 -
要增强函数的功能,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:
def log(func):
def wrapper(*args, **kw):
print('call %s():' % func.__name__)
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。
自定义python装饰器时一定要记住使用@functools.wraps(func)修饰wrapper
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
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
- 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。
import functools
def log(text=''):
def decorator(fn):
@functools.wraps(fn)
def wrapper(*args,**kw):
print('%s begin call %s'%(text,fn.__name__))
c=fn(*args,**kw)
print('%s end call %s'%(text,fn.__name__))
return c
return wrapper
return decorator
@log()
def now1():
print('now')
@log('execute')
def now2():
print('now')
now1()
now2()
结果:
begin call now1
now
end call now1
execute begin call now2
now
execute end call now2
偏函数
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。
详细教程链接:
https://www.liaoxuefeng.com/wiki/1016959663602400/1017454145929440