有哪些函数式语言？
其实函数是语言很早就出现了，上世纪30年代出现的Lambda和50年代的LISP，比面向过程和对象的语言出现的更早，现代的Clojure，Erlang，Haskeel也为很多人所熟知，保持着很强的活力，Scala作为Spark和Kafka的实现语言也是相当的火。
什么是函数式语言？
和面向过程的编程语言(例如C等)和面向对象的语言(例如C++/Java等)相比，函数式语言是一种声明式的编程规约范式。 简单例子如下：
一个复杂些的例子：
计算如下字符串的值：expr = "28+32+++32++39” ==> 28+32+32+39 ==> 131命令式的语言采用一个初始值，然后一直去是修改它，最终获得结果。
而函数式风格通过函数的组合调用，通过函数的一层层转换输入输出最终获得结果。
作为一种风格，很多人的代码里面可能已经有一些是函数式的了。
函数式编程的特点
函数式编程有如下特点：
-
函数即为数据，第一等公民
-
高阶函数
-
纯函数： 避免状态，无副作用
-
不可变数据结构
-
强编译器
-
尾递归消除(TRE)
-
延迟，模式匹配(Pattern Match)，Monads
这个议题除了Monads，其他都有所覆盖。
回到Python，Python其实是一个具备了很强函数式能力的命令式编程语言，通过语言或者库的支持，对以上几乎所有特征都有所支持（除了强编译器）。
一些函数语言编译执行器可以在强预设下做很强的优化，例如直接并发，延迟处理或者次序调换等。 而Python却没有这一点支持，归根结底是因为Python从一开始就是按照命令式语言进行设计的。 Guido大叔曾经说过这样一段话：
"I have never considered Python to be heavily influenced by functional languages, ... I had made functions first-class objects, I didn't view Python as a functional programming language..."
尽管如此，函数式编程风格依然是一种非常不错的风格。 主要有几个原因：
-
更好的测试性(因为无状态)，也更可靠
-
更擅长流式与并发操作(例如Scala)
-
一些偏主观的观点： 例如函数式编程风格有的时候提供了一种更加简洁巧妙的解决方案。 代码更少，可读性更好。
纯函数 第一等公民就像Guido所说，Python中的函数已经是第一等公民了。 皆可以作为变量，也可以作为参数传入传出，也可以随时Lambda定义，或者放入数据，所有操作符也都是已经函数化的了。
通过fn库，函数定义的方式可以进一步简化为Scala风格：
纯函数
无副作用
无副作用体现在对输入的数据本身无修改，对函数内部外部无状态修改。如下的例子都是一些反例。
修改了输入
修改了外界状态
修改了输出，影响了原输入
真正纯的无状态和副作用的函数应该如下：
但是这可能比较复杂，性能也不太好。 这就要引入函数编程里的可持久化数据结构。
可持久化数据结构一种支持修改，在不修改原版本的情况下，返回一个修改版本的数据结构。
Persistent Data
高阶函数就是接受或者返回函数的函数。
Python已有不错的支持：
-
map，filter，groupby，reduce
-
functools module
-
list comprehension
-
decorators
Filter
reduce接受函数对输入进行过滤。
List Comprehension
Map/Filter在函数式编程中非常重要，然后Python里面list Comprehension可能适用的更加广泛，过滤转换，最终构造出list，set，dict等都非常简单。然而List Comprehension一些特性也需要注意，首先是第一层才是不可修改的，对于初学者而言，读取方式也稍微奇怪(先for，再if，最后看开头)，另外内部存在for/if，并没有函数模块化。
GroupbyGroupby接受函数对数据进行分组：
ReduceReduce接受二元函数对数据进行聚集：
Reduce的实现可以理解为如下：
相对应的sum，mul也可以直接使用reduce来完成
Partial
首先一个简单问题，如何构造一个默认是降序排列的Sorted2函数，如下：一般的实现：
而使用Partial则简单的多。
Partial还可以用来预先参数绑定。 例如：
ComposeCompose是常用来构建更高级函数的工具：
CurryingCurrying是对Partial的更进一步的扩展：
toolz.curried里面所有的函数都已经Curry化了。
Currying对于简化参数化Decorator也是非常有用的。 例如：
递归相关技术 关于递归
一些函数式语言里面没有loop，只能用递归。 而通常都支持尾递归消除(将递归转化为内部loop)
用递归的理由
代码逻辑更清晰。例如：
不用递归的原因三个原因使得递归没有大量被使用，因为：
-
递归调用有递归层数限制(Python是1000)，超过会栈溢出。
-
重复计算。 fib(n-2)与fib(n-1)是存在重复计算的。
-
递归调用常常需要不同情况进行跳转，需要大量使用overloading或者pattern match的技术。
关于尾递归消除(优化)尾递归优化可以消除递归层数的限制，要求递归只存在于函数调用的最后一行，并且没有进一步计算。
如下是反例：
通常使用一个帮助函数，将计算放在计算放在参数传递时，是常用技巧：
Trampoline
然而坏消息是： Python并不支持尾递归消除！(Guido： 怪我咯！)
消除重复计算Python自带的lru_cache即可消除重复计算的问题：
另外推荐(cy)toolz里面的memoize，支持更多功能，例如cache可以让代码更简洁。
支持重载Python语言本身是不支持函数重载的，但其语言自身函数功能也很强大：未命名参数，命名参数，变参，命名变参，解包机制等。
让Python支持类似于C++/Java等里面的重载，只需要引入multipledispatch.dsipatch即可，需要注意一开始的初始化。
重载使得递归的逻辑更加简洁
Haskell类强大的pattern match功能不仅支持类型重载，也支持参数特征匹配。 这在Python中通过库也是支持的。 至于实现机制，有兴趣的朋友可以看一下Python AST。
延迟遍历器带来的延迟计算是Python核心惯用法。 常见的例子有：
-
xrange
-
tuple comprehension
-
itertools 模块
-
dict.iter* 方法
-
generator
-
for-loop 协议
fn.Stream提供了进一步的语法糖，例如给跌代添加切片功能。
Generator对于实现无限迭代器是很方便的。
fn.Stream也支持通过流方式来实现。
更多迭代器可以在(cy)toolz.itertoolz中可以找到：
-
统计： count，groupby，frequency
-
过滤： unique，partition
-
选择： take，drop，first，last，n_th etc。
-
merge_sorted
并行
值得一提的是函数式编程天生就是支持并行的。
Map因为传递的函数是无状态无副作用的，所以可以直接并发执行，加快执行效率。
Reduce同理，Reduce也是可以并发执行来进行二元聚集最终实现Log级别的性能优化。
Python多进程与分布式策略算法大师Knuth说过："97%过早优化是罪恶之源"，在选择多进程或者分布式的时候考虑是否是唯一选择。 可能的其他选项有：
-
选择不同的Python解释器： Cython，PyPy，numba等
-
某些情况下分布式增加的管理复杂度不如单点增加多核来的有效。
-
通过GPU提高计算效率是数据科学领域的一个趋势。
-
IO密集型并一定普遍适用于增加多进程的情况。
Python并发选择GIL的原因，计算密集型是的多线程没有意义。
Python自带multiprocessing库提供了很不错的高阶接口。
分布式通用领域计算模型的选择有Spark，Hadoop，Celery等对于数据科学方面，分布式numpy和全局数据矩阵发展的也非常快。
Python并发分布式库可较为成熟，供选择的也很多：
-
自带的Multiprocessing/RPC库
-
IPython Cluster
-
scikit-learn 并行算法
-
Python Parallel(只有Py2)，Celery
-
更多： joblib等
然而并发与分布式计算需要考虑如何把数据传入传出模块，一般的数据都是可以的。 然而Closure默认不能pickle化，这种情况下需要使用copy_reg扩展或者使用dill库。
IPython Cluster因为使用dill库，并不存在这个问题。
如下图是自带多进程库，IPython Cluster与Celery的一个比较，其中橙色勾表示需要一些额外代码来支持，叉表示需要较多额外工作支持。
总结
通过来强深入浅出的介绍，大家了解了如何使用Python进行高逼格函数式编程的技术，工具和实践。 使用Python也可以享受函数编程所带来的高模块，可复用，并发流处理等方面的好处。
有哪些函数式语言？其实函数是语言很早就出现了，上世纪30年代出现的Lambda和50年代的LISP，比面向过程和对象的语言出现的更早，现代的Clojure，Erlang，Haskeel也为很多人所熟知，保持着很强的活力，Scala作为Spark和Kafka的实现语言也是相当的火。
什么是函数式语言？
和面向过程的编程语言(例如C等)和面向对象的语言(例如C++/Java等)相比，函数式语言是一种声明式的编程规约范式。 简单例子如下：
一个复杂些的例子：
计算如下字符串的值：expr = "28+32+++32++39” ==> 28+32+32+39 ==> 131命令式的语言采用一个初始值，然后一直去是修改它，最终获得结果。
而函数式风格通过函数的组合调用，通过函数的一层层转换输入输出最终获得结果。
作为一种风格，很多人的代码里面可能已经有一些是函数式的了。
函数式编程的特点
函数式编程有如下特点：
-
函数即为数据，第一等公民
-
高阶函数
-
纯函数： 避免状态，无副作用
-
不可变数据结构
-
强编译器
-
尾递归消除(TRE)
-
延迟，模式匹配(Pattern Match)，Monads
这个议题除了Monads，其他都有所覆盖。
回到Python，Python其实是一个具备了很强函数式能力的命令式编程语言，通过语言或者库的支持，对以上几乎所有特征都有所支持（除了强编译器）。
一些函数语言编译执行器可以在强预设下做很强的优化，例如直接并发，延迟处理或者次序调换等。 而Python却没有这一点支持，归根结底是因为Python从一开始就是按照命令式语言进行设计的。 Guido大叔曾经说过这样一段话：
"I have never considered Python to be heavily influenced by functional languages, ... I had made functions first-class objects, I didn't view Python as a functional programming language..."
尽管如此，函数式编程风格依然是一种非常不错的风格。 主要有几个原因：
-
更好的测试性(因为无状态)，也更可靠
-
更擅长流式与并发操作(例如Scala)
-
一些偏主观的观点： 例如函数式编程风格有的时候提供了一种更加简洁巧妙的解决方案。 代码更少，可读性更好。
纯函数 第一等公民就像Guido所说，Python中的函数已经是第一等公民了。 皆可以作为变量，也可以作为参数传入传出，也可以随时Lambda定义，或者放入数据，所有操作符也都是已经函数化的了。
通过fn库，函数定义的方式可以进一步简化为Scala风格：
纯函数
无副作用
无副作用体现在对输入的数据本身无修改，对函数内部外部无状态修改。如下的例子都是一些反例。
修改了输入
修改了外界状态
修改了输出，影响了原输入
真正纯的无状态和副作用的函数应该如下：
但是这可能比较复杂，性能也不太好。 这就要引入函数编程里的可持久化数据结构。
可持久化数据结构一种支持修改，在不修改原版本的情况下，返回一个修改版本的数据结构。
Persistent Data
高阶函数就是接受或者返回函数的函数。
Python已有不错的支持：
-
map，filter，groupby，reduce
-
functools module
-
list comprehension
-
decorators
Filter
reduce接受函数对输入进行过滤。
List Comprehension
Map/Filter在函数式编程中非常重要，然后Python里面list Comprehension可能适用的更加广泛，过滤转换，最终构造出list，set，dict等都非常简单。然而List Comprehension一些特性也需要注意，首先是第一层才是不可修改的，对于初学者而言，读取方式也稍微奇怪(先for，再if，最后看开头)，另外内部存在for/if，并没有函数模块化。
GroupbyGroupby接受函数对数据进行分组：
ReduceReduce接受二元函数对数据进行聚集：
Reduce的实现可以理解为如下：
相对应的sum，mul也可以直接使用reduce来完成
Partial
首先一个简单问题，如何构造一个默认是降序排列的Sorted2函数，如下：一般的实现：
而使用Partial则简单的多。
Partial还可以用来预先参数绑定。 例如：
ComposeCompose是常用来构建更高级函数的工具：
CurryingCurrying是对Partial的更进一步的扩展：
toolz.curried里面所有的函数都已经Curry化了。
Currying对于简化参数化Decorator也是非常有用的。 例如：
递归相关技术 关于递归
一些函数式语言里面没有loop，只能用递归。 而通常都支持尾递归消除(将递归转化为内部loop)
用递归的理由
代码逻辑更清晰。例如：
不用递归的原因三个原因使得递归没有大量被使用，因为：
-
递归调用有递归层数限制(Python是1000)，超过会栈溢出。
-
重复计算。 fib(n-2)与fib(n-1)是存在重复计算的。
-
递归调用常常需要不同情况进行跳转，需要大量使用overloading或者pattern match的技术。
关于尾递归消除(优化)尾递归优化可以消除递归层数的限制，要求递归只存在于函数调用的最后一行，并且没有进一步计算。
如下是反例：
通常使用一个帮助函数，将计算放在计算放在参数传递时，是常用技巧：
Trampoline
然而坏消息是： Python并不支持尾递归消除！(Guido： 怪我咯！)
消除重复计算Python自带的lru_cache即可消除重复计算的问题：
另外推荐(cy)toolz里面的memoize，支持更多功能，例如cache可以让代码更简洁。
支持重载Python语言本身是不支持函数重载的，但其语言自身函数功能也很强大：未命名参数，命名参数，变参，命名变参，解包机制等。
让Python支持类似于C++/Java等里面的重载，只需要引入multipledispatch.dsipatch即可，需要注意一开始的初始化。
重载使得递归的逻辑更加简洁
Haskell类强大的pattern match功能不仅支持类型重载，也支持参数特征匹配。 这在Python中通过库也是支持的。 至于实现机制，有兴趣的朋友可以看一下Python AST。
延迟遍历器带来的延迟计算是Python核心惯用法。 常见的例子有：
-
xrange
-
tuple comprehension
-
itertools 模块
-
dict.iter* 方法
-
generator
-
for-loop 协议
fn.Stream提供了进一步的语法糖，例如给跌代添加切片功能。
Generator对于实现无限迭代器是很方便的。
fn.Stream也支持通过流方式来实现。
更多迭代器可以在(cy)toolz.itertoolz中可以找到：
-
统计： count，groupby，frequency
-
过滤： unique，partition
-
选择： take，drop，first，last，n_th etc。
-
merge_sorted
并行
值得一提的是函数式编程天生就是支持并行的。
Map因为传递的函数是无状态无副作用的，所以可以直接并发执行，加快执行效率。
Reduce同理，Reduce也是可以并发执行来进行二元聚集最终实现Log级别的性能优化。
Python多进程与分布式策略算法大师Knuth说过："97%过早优化是罪恶之源"，在选择多进程或者分布式的时候考虑是否是唯一选择。 可能的其他选项有：
-
选择不同的Python解释器： Cython，PyPy，numba等
-
某些情况下分布式增加的管理复杂度不如单点增加多核来的有效。
-
通过GPU提高计算效率是数据科学领域的一个趋势。
-
IO密集型并一定普遍适用于增加多进程的情况。
Python并发选择GIL的原因，计算密集型是的多线程没有意义。
Python自带multiprocessing库提供了很不错的高阶接口。
分布式通用领域计算模型的选择有Spark，Hadoop，Celery等对于数据科学方面，分布式numpy和全局数据矩阵发展的也非常快。
Python并发分布式库可较为成熟，供选择的也很多：
-
自带的Multiprocessing/RPC库
-
IPython Cluster
-
scikit-learn 并行算法
-
Python Parallel(只有Py2)，Celery
-
更多： joblib等
然而并发与分布式计算需要考虑如何把数据传入传出模块，一般的数据都是可以的。 然而Closure默认不能pickle化，这种情况下需要使用copy_reg扩展或者使用dill库。
IPython Cluster因为使用dill库，并不存在这个问题。
如下图是自带多进程库，IPython Cluster与Celery的一个比较，其中橙色勾表示需要一些额外代码来支持，叉表示需要较多额外工作支持。
总结
通过来强深入浅出的介绍，大家了解了如何使用Python进行高逼格函数式编程的技术，工具和实践。 使用Python也可以享受函数编程所带来的高模块，可复用，并发流处理等方面的好处。
更多精彩python文章：http://sanliangzhi.com/Ittext/Index/tag_list/ftag/python.html
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
