您的位置:首页 > 编程语言 > Python开发

一篇文章搞懂Python中的函数式编程

2017-12-03 15:11 501 查看
全部看了一遍,写的还不错nice,正好复习复习Python的应用,最近手生了。感谢博主的好文章原文链接:原文

Directory

Directory
高阶函数
1. 变量可以指向函数
2. 传入函数
map/reduce
filter
sorted
返回函数
闭包
匿名函数 lambda
装饰器
偏函数

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。
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。
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。
1. 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:

# 调用abs()函数
In [1]: abs(-10)
Out[1]: 10

# 只写abs
In [3]: abs
Out[3]: <function abs>


依据如上例子,可见
abs(-10)
是对函数的调用,而只写
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:

In [4]: x = abs(-10)

In [5]: x
Out[5]: 10


但是,如果把函数本身赋值给变量呢?

In [6]: fun_abs = abs

In [8]: fun_abs
Out[8]: <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。

# 变量fun_abs已经指向`abs`函数本身,调用完全和abs一样
In [9]: fun_abs(-10)
Out[9]: 10


2. 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:

In [10]: def add(x, y, f):
....:     return f(x) + f(y)
....:

In [11]: add(-5, -6, abs)
Out[11]: 11


我们将
abs
函数作为变量传给
add()
里的f作为高阶函数传参。然后在add里还调用了f的功能。
整个行为流有些像这样:

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


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。

map/reduce

Python内建了
map()
reduce()
函数。
我们先看
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。
举例说明,比如我们有一个函数
f(x)=x^2
,要把这个函数作用在一个
list
[1, 2, 3, 4, 5, 6, 7, 8, 9]
上,就可以用
map()
实现如下:

In [12]: def f(x):
....:     return x * x
....:

In [13]: r = map(f, [1, 2, 3, 4, 5, 6])

In [14]: r
Out[14]: [1, 4, 9, 16, 25, 36]


map()
传入的第一个参数是
f
,即函数对象本身。由于结果
r
是一个
Iterator
Iterator
是惰性序列,因此通过
list()
函数让它把整个序列都计算出来并返回一个
list

然后是
reduce()
函数。
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,其效果就是:

reduce(f, [x1, x2, x3, x4]) = f(f(f(x1, x2), x3), x4)

### 计算流像是这个样子
f(x1, x2)
f(f(x1, x2), x3)
f(f(f(x1, x2), x3), x4)


比方说对一个序列求和,就可以用reduce实现:

In [15]: from functools import reduce
In [16]: def add(x, y):
....:     return x + y
....:
In [17]: reduce(add, [1, 2, 3, 4, 5])
Out[17]: 15


当然求和运算可以直接用Python内建函数sum(),没必要动用reduce。
但是如果要把序列
[1, 3, 5, 7, 9]
变换成整数
13579
reduce
就可以派上用场:

In [18]: from functools import reduce
In [19]: def fn(x, y):
....:     return x * 10 + y
....:
In [20]: reduce(fn, [1, 3, 5, 7, 9])
Out[20]: 13579


做个练习,利用map()函数,把用户输入的不规范的英文名字,变为首字母大写,其他小写的规范名字。输入:[‘adam’, ‘LISA’, ‘barT’],输出:[‘Adam’, ‘Lisa’, ‘Bart’]:

"""
第一个版本
"""
# -*- coding: utf-8 -*-

def normalize(name):
return name.upper()[0:1] + name.lower()[1:]

L1 = ['adam', 'LISA', 'barT']
L2 = list(map(normalize, L1))
print(L2)

"""
写完第一个版本后,虽然完成了需求,但是其实有可以优化的地方
觉得下面的写法更pythonic些
"""
# -*- coding: utf-8 -*-

def normalize(name):
this_name = name.lower()
return this_name[0:1].upper() + this_name[1:].lower()

L1 = ['adam', 'LISA', 'barT']
L2 = list(map(normalize, L1))
print(L2)


第二个练习: Python提供的sum()函数可以接受一个list并求和,请编写一个prod()函数,可以接受一个list并利用reduce()求积:

from functools import reduce

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

def prod(L):
return reduce(fn, L)

print("3 * 5 * 7 * 9 =", prod([3, 5, 7, 9]))


练习三:利用map和reduce编写一个str2float函数,把字符串’123.456’转换成浮点数123.456:

# -*- coding: utf-8 -*-

def char2num(s):
return {'0': 0, '1': 1, '2': 2, '3': 3, '4': 4, '5': 5, '6': 6, '7': 7, '8': 8, '9': 9}[s]

def str2int(s):
return reduce(lambda x, y: x * 10 + y, map(char2num, s))

def reduce_float(x, y):
y = 10
return x / y

def return_float(s):
base = 0.1
base_minus = 10
stra = "1"
for i in range(s-1):
stra = stra + '0'
return base / str2int(stra)

def split_float(arg, l_or_r):
if l_or_r == "l":
return arg.split('.')[0]
else:
return arg.split('.')[1]

def str2float(s):
left = split_float(s, "l")
right = split_float(s, "r")
final_left = str2int(left)
r_float = return_float(len(right))
final_right = str2int(right) * r_float
return final_left + final_right

print('str2float(\'123.456\') =', str2float('123.456'))
print('str2float(\'123.888\') =', str2float('123.888'))


filter
Python内建的
filter()
函数用于过滤序列。
map()
类似,
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。
例如,在一个list中,删掉偶数,只保留奇数,可以这么写:

def is_odd(n):
return n % 2 == 1

list(filter(is_odd, [1,2,3,4,5,6,10,15]))


sorted
排序也是在程序中经常用到的算法。无论使用冒泡排序还是快速排序,排序的核心是比较两个元素的大小。如果是数字,我们可以直接比较,但如果是字符串或者两个dict呢?直接比较数学上的大小是没有意义的,因此,比较的过程必须通过函数抽象出来。
Python内置的sorted()函数就可以对list进行排序:

>>> sorted([36, 5, -12, 9, -21])
[-21, -12, 5, 9, 36]


此外,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)
[5, 9, -12, -21, 36]


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。
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 lazy_sum.<locals>.sum at 0x101c6ed90>


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()
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。
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。

匿名函数 lambda

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)=x^2时,除了定义一个f(x)的函数外,还可以直接传入匿名函数:

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


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 0x101c6ef28>
>>> 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


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('2016-11-22')

f = now
f()
# 2016-11-22


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('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。
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('2015-3-25')


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
**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。
内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签:  Python