浅谈Python 函数式编程

匿名函数lambda表达式

什么是匿名函数？

匿名函数，顾名思义就是没有名字的函数，在程序中不用使用 def 进行定义，可以直接使用 lambda 关键字编写简单的代码逻辑。lambda 本质上是一个函数对象，可以将其赋值给另一个变量，再由该变量来调用函数，也可以直接使用。

#平时，我们是先定义函数，再进行调用
def power(x):
 return x ** 2

print(power(2))

#使用lambda表达式的时候，我们可以这样操作
power = lambda x : x ** 2
print(power(2))

#觉得太麻烦，还可以这样调用
print((lambda x: 2 * x)(8))

lambda表达式的基本格式：lambda 入参 : 表达式

#入参可以有多个，比如 
power = lambda x, n: x ** n

print(power(2, 3))

lambda 表达式的使用场景

一般适用于创建一些临时性的，小巧的函数。比如上面的 power函数，我们当然可以使用 def 来定义，但使用 lambda 来创建会显得很简洁，尤其是在高阶函数的使用中。

定义一个函数，传入一个list，将list每个元素的值加1

def add(l = []):
 return [x +1 for x in l]

print(add([1,2,3]))

上面的函数改成将所有元素的值加2

可能大家会说，这还不简单，直接把return里的1改成2就行了。但是真的行吗？如果函数被多个地方使用，而其他地方并不想加2，怎么办？

这好办，把变得那部分抽出来，让调用者自己传

def add(func,l = []):
 return [func(x) for x in l]

def add1(x):
 return x+1

def add2(x):
 return x+2

print(add(add1,[1,2,3]))
print(add(add2,[1,2,3]))

一个简简单单的问题，一定要用这么多代码实现？

def add(func,l = []):
 return [func(x) for x in l]

print(add(lambda x:x+1,[1,2,3]))
print(add(lambda x:x+2,[1,2,3]))

map函数

map的基本格式

map(func, *iterables)

map() 函数接收两个以上的参数，开头一个是函数，剩下的是序列，将传入的函数依次作用到序列的每个元素，并把结果作为新的序列返回。也就是类似 map(func,[1,2,3])

同样的，我们还是来完成这样一个功能：将list每个元素的值加1

def add(x):
 return x + 1

result = map(add, [1, 2, 3, 4])
print(type(result))
print(list(result))

使用lambda表达式简化操作

result = map(lambda x: x + 1, [1, 2, 3, 4])
print(type(result))
print(list(result))

函数中带两个参数的map函数格式

使用map函数，将两个序列的数据对应位置求和，之后返回,也就是对[1,2,3],[4,5,6]两个序列进行操作之后，返回结果[5,7,9]

print(list(map(lambda x, y: x + y, [1, 2, 3], [4, 5, 6])))

对于两个序列元素个数一样的，相对好理解。如果两个序列个数不一样的，会不会报错？

print(list(map(lambda x, y: x + y, [1, 2, 3], [4, 5])))

我们可以看到不会报错，但是结果以个数少的为准

reduce函数

reduce函数的基本格式

reduce(function, sequence, initial=None)

reduce把一个函数作用在一个序列上，这个函数必须接收两个参数，reduce函数把结果继续和序列的下一个元素做累积计算，跟递归有点类似，reduce函数会被上一个计算结果应用到本次计算中

reduce(func, [1,2,3]) = func(func(1, 2), 3)

使用reduce函数，计算一个列表的乘积

from functools import reduce

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

print(reduce(func, [1, 2, 3, 4]))

结合lambda表达式，简化操作

from functools import reduce

print(reduce(lambda x, y: x * y, [1, 2, 3, 4]))

filter 函数

filter 顾名思义是过滤的意思，带有杂质的（非需要的数据），经过 filter 处理之后，就被过滤掉。

filter函数的基本格式

filter(function_or_None, iterable)

filter() 接收一个函数和一个序列。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。

使用 filter 函数对给定序列进行操作，最后返回序列中所有偶数

print(list(filter(lambda x: x % 2 == 0, [1, 2, 3, 4, 5])))

sorted 函数

sorted从字面上就可以看去这是个用来排序的函数，sorted 可以对所有可迭代的对象进行排序操作

sorted的基本格式

sorted(iterable, key=None, reverse=False)

#iterable -- 可迭代对象。
#key -- 主要是用来进行比较的元素，只有一个参数，具体的函数的参数就是取自于可迭代对象中，指定可迭代对象中的一个元素来进行排序。
#reverse -- 排序规则，reverse = True 降序 ， reverse = False 升序（默认）。 

#对序列做升序排序
print(sorted([1, 6, 4, 5, 9]))

#对序列做降序排序
print(sorted([1, 6, 4, 5, 9], reverse=True))

#对存储多个列表的列表做排序
data = [["Python", 99], ["c", 88]]
print(sorted(data, key=lambda item: item[1]))

闭包

在万物皆对象的Python中,函数是否能作为函数的返回值进行返回呢？

def my_power():
 n = 2
 def power(x):
  return x ** n
 return power

p = my_power()
print(p(4))

#------------------------------------------------------------
def my_power():
 n = 2
 def power(x):
  return x ** n
 return power

n = 3
p = my_power()
print(p(4))

我们可以看到，my_power 函数在返回的时候，也将其引用的值（n）一同带回，n 的值被新的函数所使用，这种情况我们称之为闭包

当我们把n的值移除到my_power函数外面，这个时候来看下计算结果

n = 2

def my_power():
 def power(x):
  return x ** n
 return power

n = 3
p = my_power()
print(p(4))

为什么输出的结果会是64？

我们先来看看闭包时，p.__closure____的结果

#例1
def my_power():
 n = 2
 def power(x):
  return x ** n
 return power

p = my_power()
print(p.__closure__)

#结果：(<cell at 0x00000264518F9A38: int object at 0x00007FFA7F617120>)
#closure是内部函数的一个属性，用来保存环境变量

#---------------------------------------------------------------------

#例2
n = 2
def my_power():
 def power(x):
  return x ** n
 return power

n = 3
p = my_power()
print(p.__closure__)

#输出结果 None

通过例1跟例2对比，我们可以知道，例2并不是闭包

闭包经典问题

下面的程序是否是闭包？能否正确运行

def my_power():
 n = 2
 
 def power(x):
  n += 1
  return x ** n
 
 return power

p = my_power()
print(p(3))

如何让上面的程序正确运行？看看改正之后的结果

def my_power():
 n = 2
 
 def power(x):
  nonlocal n
  n += 1
  return x ** n
 
 return power

p = my_power()
print(p.__closure__)
print(p(3))
print(p(3))

看看下面的程序的运行结果

def my_power():
 n = 2
 L = []
 for i in range(1, 3):
  def power():
   return i ** n
  
  L.append(power)
 return L

f1, f2 = my_power()
print(f1())
print(f2())
print(f1.__closure__[0].cell_contents)
print(f2.__closure__[0].cell_contents)

python的函数只有在执行时，才会去找函数体里的变量的值，也就是说你连形参都不确定，你咋求知道 i为几呢？在这里，你只需要记住如果你连形参都不确定，python就只会记住最后一个i值。

装饰器及其应用

什么是装饰器模式

装饰器模式（Decorator Pattern）允许向一个现有的对象添加新的功能，同时又不改变其结构。这种类型的设计模式属于结构型模式，它是作为现有的类的一个包装。

这种模式创建了一个装饰类，用来包装原有的类，并在保持类方法签名完整性的前提下，提供了额外的功能。

import time

start = time.time()
time.sleep(4)
end = time.time()
print(end - start)

从实际例子来看装饰器

def my_fun():
 print("这是一个函数")

my_fun()

要再打印“这是一个函数”前面在打印多一行hello world。

def my_fun():
 begin = time.time()
 time.sleep(2)
 print("这里一个函数")
 end = time.time()
 print(end-begin)

my_fun()

这个时候，如果不想修改原有的函数，咋整？

def my_fun():
 print("这是一个函数")

def my_time(func):
 begin = time.time()
 time.sleep(2)
 func()
 end = time.time()
 print(end - begin)

my_time(func)

这种方式，因为要增加功能，导致所有的业务调用方都得进行修改，此法明显不可取。

另一种方式：

def print_cost(func):
 def wrapper():
  begin = time.time()
  time.sleep(2)
  func()
  end = time.time()
  print(end - begin)
  return wrapper

@print_cost
def my_fun():
 print("这里一个函数")

第二种方式并没有修改func函数的内部实现，而是使用装饰器模式对其功能进行装饰增强。

以上就是浅谈Python 函数式编程的详细内容，更多关于Python 函数式编程的资料请关注猪先飞其它相关文章！