目录

函数式编程

首先要确定一点就是：函数 ！= 函数式，函数式编程是一种编程的范式。
特点：

• 把计算视为函数而非指令
• 纯函数式编程，不需要变量，没有副作用，测试简单
• 支持高阶函数，代码简洁

Python 函数式编程的特点

需要注意的是，Python 不是也不可能会成为一种纯函数是编程语言，但 Python 仍支持许多有价值的函数式编程语言的构建方法。

• Python 不是纯函数是编程，因为 Python 支持变量
• Python 支持高阶函数，而且函数也可以作为变量传入
• Python 支持闭包，可以返回一个函数

高阶函数

首先要明确一点，函数是由变量来引用的，这也是一个 Python 的特性：将对象引用和对象分离。
EG：

In [1]: abs(-1)
Out[1]: 1

In [2]: f = abs # 将函数名赋值给一个变量，让变量获得函数的引用

In [3]: f(-1)
Out[3]: 1

In [5]: abs = len

In [6]: abs([1, 2, 3])
Out[6]: 3

高阶函数： 能够接收函数作为一个参数的函数，就是高阶函数。
下面定义一个高阶函数：

In [1]: def add(x, y, f):
   ...:     return f(x) + f(y)
   ...:

In [2]: add(-1, -10, abs)
Out[2]: 11

函数 add 接收内建函数 abs 作为一个参数，所以 add 是一个高阶函数。

匿名函数 lambda

格式：

lamba [arg1[, arg2, ...]]: expression # --> return: object of function

匿名函数，顾名思义就是没有名字的函数，可以忽略函数定义的函数。所以匿名函数的好处之一就是创建简易、方便，不需要以标准的定义方式(def)来创建。而且匿名函数可以如一般函数那样返回一个 callable 的函数对象，所以匿名函数一般会赋值给一个变量，或者直接作为一个函数实参来使用。从匿名函数的语法格式来看，其缺点也很明显，就是其函数体只能是一条 expression 而不能是一条关键字语句，如：print

NOTE: 因为匿名函数可以快速的返回一个函数对象，并且可以直接作为一个函数的实参使用，所以匿名函数经常被用于构建函数式的编程中。
EXAMPLE:

In [4]: def add(x, y):
   ...:     return x + y
   ...:

In [5]: lambda x, y: x + y
Out[5]: <function __main__.<lambda>> # 返回一个可调用的函数对象

In [6]: lam_add= lambda x, y: x + y

In [7]: lam_add(1, 2)
Out[7]: 3

上面两种方式的结果是一致的。

注意： 如果 lambda 返回的对象没有赋值给一个变量，那么这个函数对象的引用 == 0，会被垃圾回收掉。

函数式编程相关的内置函数

Python 提供了几个与函数式编程相关的内置函数，之所以说与函数式编程相关是因为这几个内置函数都需要接收一个函数对象作为参数，而这个函数对象通常由 lambda 来提供。

filter() 序列对象过滤器

让序列对象中的每一个元素都通过一个指定的过滤器，最终符合过滤条件(Return True)的元素会被返回为一个新的序列。
要自己实现一个 filter 函数，并不难。EG.

def filter(bool_func, seq):
    filtered_seq = []
    for index in seq:
        if bool_func(index):
            filtered_seq.append()
    return filtered_seq

EXAMPLE 1：求偶数

In [13]: filter(lambda x: x % 2 == 0, range(1,10))
Out[13]: [2, 4, 6, 8]

EXAMPLE 2：删除 None 或者空字符串

In [14]: def is_not_empty(s):
    ...:     return s and len(s.strip()) > 0
    ...:

In [15]: filter(is_not_empty, ['test', None, '', 'str', '  ', 'END'])
Out[15]: ['test', 'str', 'END']``

注意： 传入 filter 的函数最终的返回值一定是 True or False

map()

map 和 filter 很类似，但 map 函数通过把函数参数依次作用在 seq 的每个元素上，得到一个新的 seq 并返回。而且 map 的函数参数不要求一定要返回 True or False 。除此之外， map 还能处理多个序列参数。

def map(func, seq):
    maped_seq = []
    for index in seq:
        maped_seq.append(func(index))
    return maped_seq

EXAMPLE 1：处理单个序列对象

In [17]: map(lambda x :x+2, range(1,10))
Out[17]: [3, 4, 5, 6, 7, 8, 9, 10, 11]

EXAMPLE 2：处理多个序列对象

In [24]: map(lambda x, y :x + y, range(1,10), range(1,10))
Out[24]: [2, 4, 6, 8, 10, 12, 14, 16, 18]

注意：如果传递多个序列对象给 map 时，其处理的算法如下
1. 并行的将多个序列中 index 相同的元素获取，并捆绑到同一个元组中
2. 将这一个元组传递给函数参数中进行处理。
所以需要注意的是，两个序列的元素个数是否一致，函数参数是否能正确的处理这个元组对象

In [26]: map(None, range(1,6), range(1,6))
Out[26]: [(1, 1), (2, 2), (3, 3), (4, 4), (5, 5)]

In [27]: zip(range(1,6), range(1,6))
Out[27]: [(1, 1), (2, 2), (3, 3), (4, 4), (5, 5)]`

从这个例子可以看出 map 可以完成一个简单的 zip 功能，这是由其内部的实现算法决定的。

reduce() 折叠

reduce 需要传入一个 二元函数(具有两个形参的函数) 、一个序列对象和一个可选的 初始化器。
其最常用的例子就是 累加：

In [28]: reduce(add, range(1, 100))
Out[28]: 4950

In [35]: reduce(add, range(1, 100), 5000)
 # 初始化器 == 5000，即从 5000 开始累加
Out[35]: 9950

等效于：reduce(func, [1, 2, 3]) ⇒ func(func(1, 2), 3)

自定义的排序函数

Python 内置了一个排序函数 sorted

In [1]: sorted([36, 5, 12, 9, 21])
Out[1]: [5, 9, 12, 21, 36]

时 sorted 也是一个高阶函数，它可以接收一个比较函数来实现自定义排序。。
比较函数的定义是：传入两个待比较的元素 x, y
1. 如果 x 应该排在 y 的前面，返回 -1
2. 如果 x 应该排在 y 的后面，返回 1
3. 如果 x 和 y 相等，返回 0

所以我们可以自定义一个比较函数，并且传递给 sorted 函数：

In [3]: def reversed_cmp(x, y):
   ...:     if x > y:
   ...:         return -1
   ...:     if x < y:
   ...:         return 1
   ...:     return 0
   ...:

In [4]: sorted([36, 5, 12, 9, 21], reversed_cmp)
   ...: [36, 21, 12, 9, 5]
   ...:
Out[4]: [36, 21, 12, 9, 5]

最后

本篇给出了一些内置高阶函数的例子，其实在编程中使用得更多的是自定义的高价函数，其中 闭包 就是一种非常常用的函数式编程。