函数式编程之 Python

参考：www.sigai.cn/

1 函数式编程概述

前提：函数在 Python 中是⼀等对象
工具：built-in ⾼阶函数；lambda 函数；operator 模块；functools 模块
模式：闭包与装饰器
替代：⽤用 List Comprehension 可轻松替代 map 和 ﬁlter（reduce 替代起来⽐比较困难）
原则：No Side Eﬀect

何为 No Side Eﬀect？函数的所有功能就仅仅是返回一个新的值而已，没有其他行为，尤其是不得修改外部变量。因⽽，各个独⽴的部分的执⾏顺序可以随意打乱，带来执⾏顺序上的⾃自使得⼀系列新的特性得以实现：⽆锁的并发；惰性求值；编译器器级别的性能优化等

1.1 程序的状态与命令式编程

程序的状态首先包含了当前定义的全部变量
有了程序的状态，我们的程序才能不断往前推进
命令式编程，就是通过不断修改变量的值，来保存当前运⾏的状态，来步步推进

1.2 函数式编程

通过函数来保存程序的状态（通过函数创建新的参数和返回值来保存状态）
函数一层层的叠加起来，每个函数的参数或返回值代表了⼀个中间状态
命令式编程⾥一次变量值的修改，在函数式编程⾥变成了⼀个函数的转换
最自然的方式：递归

2 一等函数

一等对象的定义：

在运⾏时创建
能赋值给变量或数据结构中的元素
能作为参数传给函数
能作为函数的返回结果

Python 中，所有函数的都是一等对象，简称为一等函数

2.1 高阶函数

定义：接受函数为参数，或把函数作为返回结果的函数

2.1.1 `map` 映射

map() 是 Python 内置的高阶函数，它接收一个函数 f 和一个可迭代对象，并通过把函数 f 依次作用在可迭代对象的每个元素上，并返回一个新的可迭代对象。

def f(x):
    return x * x


print('map(f, [1, 2, 3, 4, 5, 6, 7, 8, 9])):',
      list(map(f, [1, 2, 3, 4, 5, 6, 7, 8, 9])))

show：

map(f, [1, 2, 3, 4, 5, 6, 7, 8, 9])): [1, 4, 9, 16, 25, 36, 49, 64, 81]

替代方案：

[x*x for x in range(1,10)]

def format_name(s):
    s1 = s[0:1].upper() + s[1:].lower()
    return s1


print("map(format_name, ['adam', 'LISA', 'barT']):",
      list(map(format_name, ['adam', 'LISA', 'barT'])))

map(format_name, ['adam', 'LISA', 'barT']): ['Adam', 'Lisa', 'Bart']

替代方案：

[format_name(name) for i, name in enumerate(['adam', 'LISA', 'barT'])]

因而，列表推导可以很好的替换 map 函数。

2.1.2 `filter` 过滤器

x = [(), [], {}, None, '', False, 0, True, 1, 2, -3]

x_result = filter(bool, x) 
list(x_result)

[True, 1, 2, -3]

替代方案：

[i for i in x if bool(i)]

print("filter((lambda x: x>0), range(-5, 5)):",
      list(filter((lambda x: x > 0), range(-5, 5))))

filter((lambda x: x>0), range(-5, 5)): [1, 2, 3, 4]

替代方案：

[x for x in range(-5, 5) if x > 0]

2.1.3 `reduce` 递推

from functools import reduce

m = 2
n = 5
reduce(lambda x, y: x * y, list(range(1, n + 1)), m)

def multiply(a, b):
    return a * b


reduce(multiply, range(1, 5))

2.1.4 `zip` 并行

print("zip( [1, 2, 3], [4, 5, 6]):", list(zip([1, 2, 3], [4, 5, 6])))

show：

zip( [1, 2, 3], [4, 5, 6]): [(1, 4), (2, 5), (3, 6)]

2.1.5 `sorted` 排序

>>> sorted([x * (-1) ** x for x in range(10)])

[-9, -7, -5, -3, -1, 0, 2, 4, 6, 8]

>>> sorted([x * (-1) ** x for x in range(10)], reverse=True)

[8, 6, 4, 2, 0, -1, -3, -5, -7, -9]

>>> sorted([x * (-1) ** x for x in range(10)], key=abs)

 [0, -1, 2, -3, 4, -5, 6, -7, 8, -9]

>>> sorted([x * (-1) ** x for x in range(10)], reverse=True, key=abs)

[-9, 8, -7, 6, -5, 4, -3, 2, -1, 0]

min 与 max 同理。

2.2 `partial`

functools 这货用于高阶函数：指那些作用于函数或者返回其他函数的函数。通常情况下，只要是可以被当做函数调用的对象就是这个模块的目标。

假设有如下函数：

def multiply(x, y):
    return x * y

现在，我们想返回某个数的双倍，即：

>>> multiply(3, y=2)

>>> multiply(4, y=2)

>>> multiply(5, y=2)

上面的调用有点繁琐，每次都要传入 y=2，我们想到可以定义一个新的函数，把 y=2 作为默认值，即：

def double(x, y=2):
    return multiply(x, y)

现在，我们可以这样调用了：

>>> double(3)

>>> double(4)

>>> double(5)

事实上，我们可以不用自己定义 double，利用 partial，我们可以这样：

from functools import partial

double = partial(multiply, y=2)

partial 接收函数 multiply 作为参数，固定 multiply 的参数 y=2，并返回一个新的函数给 double，这跟我们自己定义 double 函数的效果是一样的。

所以，简单而言，partial 函数的功能就是：把一个函数的某些参数给固定住，返回一个新的函数。

需要注意的是，我们上面是固定了 multiply 的关键字参数 y=2，如果直接使用：

double = partial(multiply, 2)

则 2 是赋给了 multiply 最左边的参数 x。

from functools import partial

def subtraction(x, y):
    return x - y

f = partial(subtraction, 4)  # 4 赋给了 x

>>> f(10)   # 4 - 10

-6

组合高阶函数：

from functools import partial

abs_sorted = partial(sorted, key=abs)
abs_sorted([x * (-1) ** x for x in range(10)])

show:

[0, -1, 2, -3, 4, -5, 6, -7, 8, -9]

abs_reverse_sorted = partial(sorted, key=abs, reverse=True)
abs_reverse_sorted([x * (-1) ** x for x in range(10)])

show:

[-9, 8, -7, 6, -5, 4, -3, 2, -1, 0]

2.3 匿名函数

定义：使⽤用 lambda 表达式创建的函数，函数本身没有名字
特点：只能使⽤用纯表达式，不能赋值，不能使⽤用 while 和 try 等块语句
语法： lambda [arg1 [,arg2 [,arg3]]]: expression

Expressions get a value; Statements do something

`lambda` & `def`

写法上：

def 可以用代码块，一个代码块包含多个语句
lambda只能⽤单行表达式，⽽表达式仅仅是单个语句中的⼀种

结果上：

def 语句一定会增加⼀个函数名称
lambda 不会，这就降低了了变量名污染的⻛险

能用一个表达式直接放到 return 里返回的函数都可以⽤ lambda 速写

def multiply(a, b):
    return a * b

multiply_by_lambda = lambda x,y: x * y

List + lambda 可以得到⾏为列表

f_list = [lambda x: x + 1, lambda x: x ** 2, lambda x: x ** 3] 
[f_list[j](10) for j in range(3)]

[11, 100, 1000]

在 AI 领域里，这种写法常用于处理数据，比如按预定的⼀系列模式处理数据

下面我们以两个例子来结束高阶函数：

例1：

L = range(6)

# 计算l中每个元素的两倍和平方，并将两种组成一个列表
# lambda表达式和python函数一样，也可以接受函数作为参数


def twoTimes(x):
    return x * 2


def square(x):
    return x**2


print([list(map(lambda x: x(i), [twoTimes, square])) for i in L])
print(list(filter(lambda x: x % 2 == 0, L)))

# 内置reduce函数，计算 L 的和
print(reduce(lambda accumValue, newValue: accumValue + newValue, L, 0))

[[0, 0], [2, 1], [4, 4], [6, 9], [8, 16], [10, 25]]
[0, 2, 4]
15

我们依然可以使用列表解析的方式替换 map & filter：

[[twoTimes(x), square(x)] for x in L]

[x for x in L if x % 2 == 0]

通过上面的例子我们发现，使用列表推导要比 map 与 filter 简洁且易于理解得多。

但是，我们这里还有一个惰性计算的坑：

f_list = [lambda x:x**i for i in range(5)]

[f_list[j](3) for j in range(5)]

[81, 81, 81, 81, 81]

大家可以思考为什么会出现这个意想不到的结果？

本文链接：https://www.cnblogs.com/q735613050/p/10073763.html

函数式编程之 Python

1 函数式编程概述

1.1 程序的状态与命令式编程

1.2 函数式编程

2 一等函数

2.1 高阶函数

2.1.1 `map` 映射

2.1.2 `filter` 过滤器

2.1.3 `reduce` 递推

2.1.4 `zip` 并行

2.1.5 `sorted` 排序

2.2 `partial`

2.3 匿名函数

`lambda` & `def`