http://www.imooc.com/learn/317
函数式编程: 更抽象, 更脱离指令(计算机), 更贴近计算(数学).
- 不需要变量 (python允许有变量, 所以python非纯函数式)
- 高阶函数
- 闭包: 返回函数
- 匿名函数
高阶函数
- 变量可以指向函数
f=abs; f(-10) - 函数名: 就是指向函数的变量
abs=len -
高阶函数: 接收函数作为参数的函数
def add(x,y,f):
return f(x)+f(y)
add(-5, 9, abs)
map()
map()是 Python 内置的高阶函数，它接收一个函数 f 和一个 list，并通过把函数 f 依次作用在 list 的每个元素上，得到一个新的 list 并返回。map()函数不改变原有的 list，而是返回一个新的 list。
def format_name(s):
return s.title()
print map(format_name, ['adam', 'LISA', 'barT'])
reduce()
reduce()函数也是Python内置的一个高阶函数。reduce()函数接收的参数和 map()类似，一个函数 f，一个list，但行为和 map()不同，reduce()传入的函数 f 必须接收两个参数，reduce()对list的每个元素反复调用函数f，并返回最终结果值。
reduce(function, iterable[, initializer])
Apply function of two arguments cumulatively to the items of iterable, from left to right, so as to reduce the iterable to a single value. If the optional initializer is present, it is placed before the items of the iterable in the calculation, and serves as a default when the iterable is empty. If initializer is not given and iterable contains only one item, the first item is returned.
filter()
filter()函数接收一个函数 f 和一个list，这个函数 f 的作用是对每个元素进行判断，返回 True或 False，filter()根据判断结果自动过滤掉不符合条件的元素，返回由符合条件元素组成的新list。
自定义sorted()
sorted()也是一个高阶函数，它可以接收一个比较函数cmp来实现自定义排序，比较函数的定义是，传入两个待比较的元素 x, y，如果 x 应该排在 y 的前面，返回 -1，如果 x 应该排在 y 的后面，返回 1。如果 x 和 y 相等，返回 0。
返回函数
在函数内部定义一个函数 然后返回这个内部定义的函数.
返回函数可以把一些计算延迟执行
def calc_sum(lst):
def lazy_sum():
return sum(lst)
return lazy_sum
调用calc_sum()并没有计算出结果，而是返回函数:
>>> f = calc_sum([1, 2, 3, 4])
>>> f
<function lazy_sum at 0x1037bfaa0>
对返回的函数进行调用时，才计算出结果:
>>> f()
10
闭包
函数f内部定义的函数g无法被外部访问 → 可以防止其他代码调用g.
def calc_sum(lst):
def lazy_sum():
return sum(lst)
return lazy_sum
注意: 发现没法把 lazy_sum 移到 calc_sum 的外部，因为它引用了 calc_sum 的参数 lst。
像这种内层函数引用了外层函数的变量（参数也算变量），然后返回内层函数的情况，称为闭包（Closure）。
闭包的特点是返回的函数还引用了外层函数的局部变量，所以，要正确使用闭包，就要确保引用的局部变量在函数返回后不能变。
ex:
# 希望一次返回3个函数，分别计算1x1,2x2,3x3:
def count():
fs = []
for i in range(1, 4):
def f():
return i*i
fs.append(f)
return fs
f1, f2, f3 = count()
以为调用f1()，f2()和f3()结果应该是1，4，9，但实际结果全部都是 9 ! 原因就是当count()函数返回了3个函数时，这3个函数所引用的变量 i 的值已经变成了3。函数只在执行时才去获取外层参数i, 由于f1、f2、f3并没有被调用，所以，此时他们并未计算 i*i，当 f1 被调用时i已经变为3...
上面的正确写法是:
def count():
fs = []
for i in range(1, 4):
def f(j=i):
return j*j
fs.append(f)
return fs
f1, f2, f3 = count()
print f1(), f2(), f3()
因此，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。
匿名函数
Python中，对匿名函数提供了有限支持。
关键字lambda 表示匿名函数，冒号前面的 x 表示函数参数。匿名函数有个限制，就是只能有一个表达式，不写return，返回值就是该表达式的结果。
map(lambda x: x * x, [1, 2, 3, 4, 5, 6, 7, 8, 9])
myabs = lambda x: -x if x < 0 else x
>>> myabs(-1)
1
装饰器
问题: 定义了函数, 想在运行时增加函数功能同时不改动函数代码.
ex. 希望函数调用时打印调用日志
⇒ 方法: 高阶函数: 接收要修改的函数, 进行包装后返回包装过的新函数.
def new_f(f):
def fn(x):
print 'call %s()' % f.__name__
return f(x)
return fn
函数new_fn就是所谓装饰器函数. python的@语法可以简化装饰器调用:
(注意: 右边代码, 原本未装饰的f1函数已经被彻底隐藏了. )
优点: 极大简化代码.
无参数decorator
上面例子里面的new_fn函数只能装饰接收一个参数x的函数, 想要处理接收任意参数的函数 ⇒ 利用Python的 *args 和 **kw
def log(f):
def fn(*args, kw):
print 'call %s() in %s'%( f.name, time.ctime() )
return f(*args, kw)
return fn
带参数decorator
接上面的log函数, 如果有的函数非常重要，希望打印出'[INFO] call xxx()...'，有的函数不太重要，希望打印出'[DEBUG] call xxx()...'，这时，log函数本身就需要传入'INFO'或'DEBUG'这样的参数，类似这样：
@log('DEBUG')
def my_func():
pass
把上面的定义翻译成高阶函数的调用，就是：
my_func = log('DEBUG')(my_func)
再展开一下：
log_decorator = log('DEBUG')
my_func = log_decorator(my_func)
相当于:
log_decorator = log('DEBUG')
@log_decorator
def my_func():
pass
所以，带参数的log函数首先返回一个decorator函数，再让这个decorator函数接收my_func并返回新函数：
def log(prefix):
def log_decorator(f):
def wrapper(*args, **kw):
print '[%s] %s()...' % (prefix, f.__name__)
return f(*args, **kw)
return wrapper
return log_decorator
@log('DEBUG')
def test():
pass
print test()
这里用到了闭包: 最里层wrapper函数(即修饰过个函数)用到了prefix参数.
完善decorator
上面的decorator会修改函数名:
- 在没有decorator的情况下，打印函数名：
def f1(x): pass print f1.__name__
⇒ 输出： f1
- 有decorator的情况下，再打印函数名：
def log(f): def wrapper(*args, **kw): print 'call...' return f(*args, **kw) return wrapper @log def f2(x): pass print f2.__name__
⇒ 输出： wrapper
这对于那些依赖函数名的代码就会失效。decorator还改变了函数的__doc__等其它属性。如果要让调用者看不出一个函数经过了@decorator的“改造”，就需要把原函数的一些属性复制到新函数中：
def log(f):
def wrapper(*args, **kw):
print 'call...'
return f(*args, **kw)
wrapper.__name__ = f.__name__
wrapper.__doc__ = f.__doc__
return wrapper
这样写很不方便, Python内置的functools可以用来自动化完成这个“复制”的任务：
import functools
def log(f):
@functools.wraps(f)
def wrapper(*args, **kw):
print 'call...'
return f(*args, **kw)
return wrapper
functools.wraps(f)是一个装饰器函数, 目的是为了把最后返回的函数再次装饰(复制f的属性进去)... 所以对于带参数的装饰器, 应该在最里面返回的wrapper函数前加上@functools.wraps(f)
import time, functools
def performance(unit):
def perf_decorator(f):
@functools.wraps(f)
def wrapper(*args, **kw):
print 'call %s() in %s %s'%( f.__name__, time.time(), unit ) #closure
return f(*args, **kw)
return wrapper
return perf_decorator
@performance('ms')
def factorial(n):
return reduce(lambda x,y: x*y, range(1, n+1))
print factorial.__name__
偏函数
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)
functools.partial可以把一个参数多的函数变成一个参数少的新函数，少的参数需要在创建时指定默认值，这样，新函数调用的难度就降低了。
functools.partial(func[,*args][, **keywords])
Return a new partial object which when called will behave like func called with the positional arguments args and keyword arguments keywords.
import functools
int2 = functools.partial(int, base=2)
>>> int2('1000000')
64
>>> int2('1010101')
85
sorted_ignore_case = functools.partial(sorted, key=lambda s:s.lower())
print sorted_ignore_case(['bob', 'about', 'Zoo', 'Credit'])
Disqus 留言