python 2.7 : 函数式编程

转载于:http://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000/001386819866394c3f9efcd1a454b2a8c57933e976445c0000

函数式编程

函数是Python内建支持的一种封装，我们通过把大段代码拆成函数，通过一层一层的函数调用，就可以把复杂任务分解成简单的任务，这种分解可以称之为面向过程的程序设计。函数就是面向过程的程序设计的基本单元。

而函数式编程（请注意多了一个“式”字）——Functional Programming，虽然也可以归结到面向过程的程序设计，但其思想更接近数学计算。

我们首先要搞明白计算机（Computer）和计算（Compute）的概念。

在计算机的层次上，CPU执行的是加减乘除的指令代码，以及各种条件判断和跳转指令，所以，汇编语言是最贴近计算机的语言。

而计算则指数学意义上的计算，越是抽象的计算，离计算机硬件越远。

对应到编程语言，就是越低级的语言，越贴近计算机，抽象程度低，执行效率高，比如C语言；越高级的语言，越贴近计算，抽象程度高，执行效率低，比如Lisp语言。

函数式编程就是一种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，只要输入是确定的，输出就是确定的，这种纯函数我们称之为没有副作用。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，因此，这种函数是有副作用的。

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！

Python对函数式编程提供部分支持。由于Python允许使用变量，因此，Python不是纯函数式编程语言。

高阶函数

高阶函数英文叫Higher-order function。什么是高阶函数？我们以实际代码为例子，一步一步深入概念。

变量可以指向函数

以Python内置的求绝对值的函数

abs()

为例，调用该函数用以下代码：

>>> abs(-10)
10

但是，如果只写

abs

呢？

>>> abs
<built-in function abs>

可见，

abs(-10)

是函数调用，而

abs

是函数本身。

要获得函数调用结果，我们可以把结果赋值给变量：

>>> x = abs(-10)
>>> x
10

但是，如果把函数本身赋值给变量呢？

>>> f = abs
>>> f
<built-in function abs>

结论：函数本身也可以赋值给变量，即：变量可以指向函数。

如果一个变量指向了一个函数，那么，可否通过该变量来调用这个函数？用代码验证一下：

>>> f = abs
>>> f(-10)
10

成功！说明变量

f

现在已经指向了

abs

函数本身。

函数名也是变量

那么函数名是什么呢？函数名其实就是指向函数的变量！对于

abs()

这个函数，完全可以把函数名

abs

看成变量，它指向一个可以计算绝对值的函数！

如果把

abs

指向其他对象，会有什么情况发生？

>>> abs = 10
>>> abs(-10)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
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了！

当然实际代码绝对不能这么写，这里是为了说明函数名也是变量。要恢复

abs

函数，请重启Python交互环境。

注：由于

abs

函数实际上是定义在

__builtin__

模块中的，所以要让修改

abs

变量的指向在其它模块也生效，要用

__builtin__.abs
= 10

。

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，这种函数就称之为高阶函数。

一个最简单的高阶函数：

def add(x, y, f):
return f(x) + f(y)

当我们调用

add(-5, 6, abs)

时，参数

x

，

y

和

f

分别接收

-5

，

6

和

abs

，根据函数定义，我们可以推导计算过程为：

x ==> -5
y ==> 6
f ==> abs
f(x) + f(y) ==> abs(-5) + abs(6) ==> 11

用代码验证一下：

>>> add(-5, 6, abs)
11

编写高阶函数，就是让函数的参数能够接收别的函数。

小结

把函数作为参数传入，这样的函数称为高阶函数，函数式编程就是指这种高度抽象的编程范式。

返回函数

函数作为返回值

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。

我们来实现一个可变参数的求和。通常情况下，求和的函数是这样定义的：

def calc_sum(*args):
ax = 0
for n in args:
ax = ax + n
return ax

但是，如果不需要立刻求和，而是在后面的代码中，根据需要再计算怎么办？可以不返回求和的结果，而是返回求和的函数！

def lazy_sum(*args):
def sum():
ax = 0
for n in args:
ax = ax + n
return ax
return sum

当我们调用

lazy_sum()

时，返回的并不是求和结果，而是求和函数：

>>> f = lazy_sum(1, 3, 5, 7, 9)
>>> f
<function sum at 0x10452f668>

调用函数

f

时，才真正计算求和的结果：

>>> f()
25

在这个例子中，我们在函数

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

f1()

和

f2()

的调用结果互不影响。

闭包

注意到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。

另一个需要注意的问题是，返回的函数并没有立刻执行，而是直到调用了

f()

才执行。我们来看一个例子：

def count():
fs = []
for i in range(1, 4):
def f():
return i*i
fs.append(f)
return fs

f1, f2, f3 = count()

在上面的例子中，每次循环，都创建了一个新的函数，然后，把创建的3个函数都返回了。

你可能认为调用

f1()

，

f2()

和

f3()

结果应该是

1

，

4

，

9

，但实际结果是：

>>> f1()
9
>>> f2()
9
>>> f3()
9

全部都是

9

！原因就在于返回的函数引用了变量

i

，但它并非立刻执行。等到3个函数都返回时，它们所引用的变量

i

已经变成了3，因此最终结果为

9

。

返回闭包时牢记的一点就是：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：

>>> def count():
...     fs = []
...     for i in range(1, 4):
...         def f(j):
...             def g():
...                 return j*j
...             return g
...         fs.append(f(i))
...     return fs
...
>>> f1, f2, f3 = count()
>>> f1()
1
>>> f2()
4
>>> f3()
9

缺点是代码较长，可利用lambda函数缩短代码。

匿名函数

当我们在传入函数时，有些时候，不需要显式地定义函数，直接传入匿名函数更方便。

在Python中，对匿名函数提供了有限支持。还是以

map()

函数为例，计算f(x)=x2时，除了定义一个

f(x)

的函数外，还可以直接传入匿名函数：

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

通过对比可以看出，匿名函数

lambda x: x * x

实际上就是：

def f(x):
return x * x

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，不用写

return

，返回值就是该表达式的结果。

用匿名函数有个好处，因为函数没有名字，不必担心函数名冲突。此外，匿名函数也是一个函数对象，也可以把匿名函数赋值给一个变量，再利用变量来调用该函数：

>>> f = lambda x: x * x
>>> f
<function <lambda> at 0x10453d7d0>
>>> f(5)
25

同样，也可以把匿名函数作为返回值返回，比如：

def build(x, y):
return lambda: x * x + y * y

小结

Python对匿名函数的支持有限，只有一些简单的情况下可以使用匿名函数。

装饰器

由于函数也是一个对象，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。

>>> def now():
...     print '2013-12-25'
...
>>> f = now
>>> f()
2013-12-25

函数对象有一个

__name__

属性，可以拿到函数的名字：

>>> now.__name__
'now'
>>> f.__name__
'now'

现在，假设我们要增强

now()

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

now()

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 '2013-12-25'

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():
2013-12-25

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。

如果decorator本身需要传入参数，那就需要编写一个返回decorator的高阶函数，写出来会更复杂。比如，要自定义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

这个3层嵌套的decorator用法如下：

@log('execute')
def now():
print '2013-12-25'

执行结果如下：

>>> now()
execute now():
2013-12-25

和两层嵌套的decorator相比，3层嵌套的效果是这样的：

>>> now = log('execute')(now)

我们来剖析上面的语句，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。

以上两种decorator的定义都没有问题，但还差最后一步。因为我们讲了函数也是对象，它有

__name__

等属性，但你去看经过decorator装饰之后的函数，它们的

__name__

已经从原来的

'now'

变成了

'wrapper'

：

>>> now.__name__
'wrapper'

因为返回的那个

wrapper()

函数名字就是

'wrapper'

，所以，需要把原始函数的

__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就会出错。

不需要编写

wrapper.__name__ = func.__name__

这样的代码，Python内置的

functools.wraps

就是干这个事的，所以，一个完整的decorator的写法如下：

import functools

def log(func):
@functools.wraps(func)
def wrapper(*args, **kw):
print 'call %s():' % func.__name__
return func(*args, **kw)
return wrapper

或者针对带参数的decorator：

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

import functools

是导入

functools

模块。模块的概念稍候讲解。现在，只需记住在定义

wrapper()

的前面加上

@functools.wraps(func)

即可。

小结

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。

decorator可以增强函数的功能，定义起来虽然有点复杂，但使用起来非常灵活和方便。

请编写一个decorator，能在函数调用的前后打印出

'begin call'

和

'end
call'

的日志。

再思考一下能否写出一个

@log

的decorator，使它既支持：

@log
def f():
pass

又支持：

@log('execute')
def f():
pass

偏函数

Python的

functools

模块提供了很多有用的功能，其中一个就是偏函数（Partial function）。要注意，这里的偏函数和数学意义上的偏函数不一样。

在介绍函数参数的时候，我们讲到，通过设定参数的默认值，可以降低函数调用的难度。而偏函数也可以做到这一点。举例如下：

int()

函数可以把字符串转换为整数，当仅传入字符串时，

int()

函数默认按十进制转换：

>>> int('12345')
12345

但

int()

函数还提供额外的

base

参数，默认值为

10

。如果传入

base

参数，就可以做N进制的转换：

>>> int('12345', base=8)
5349
>>> int('12345', 16)
74565

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)

这样，我们转换二进制就非常方便了：

>>> int2('1000000')
64
>>> int2('1010101')
85

functools.partial

就是帮助我们创建一个偏函数的，不需要我们自己定义

int2()

，可以直接使用下面的代码创建一个新的函数

int2

：

>>> import functools
>>> int2 = functools.partial(int, base=2)>>> int2('1000000')
64
>>> int2('1010101')
85

所以，简单总结

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。

注意到上面的新的

int2

函数，仅仅是把

base

参数重新设定默认值为

2

，但也可以在函数调用时传入其他值：

>>> int2('1000000', base=10)
1000000

最后，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，当传入：

int2 = functools.partial(int, base=2)

实际上固定了int()函数的关键字参数

base

，也就是：

int2('10010')

相当于：

kw = { base: 2 }
int('10010', **kw)

当传入：

max2 = functools.partial(max, 10)

实际上会把

10

作为

*args

的一部分自动加到左边，也就是：

max2(5, 6, 7)

相当于：

args = (10, 5, 6, 7)
max(*args)

结果为

10

。

小结

当函数的参数个数太多，需要简化时，使用

functools.partial

可以创建一个新的函数，这个新函数可以固定住原函数的部分参数，从而在调用时更简单。