Python学习笔记（四）--函数式编程

Functional Programming：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。

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。

一、高阶函数

函数本身也可以赋值给变量，即：变量可以指向函数。

函数名其实就是指向函数的变量

注：由于abs函数实际上是定义在import builtins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import builtins; builtins.abs = 10。

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。

1、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。

def add(x, y, f):
    return f(x)+f(y)
print(add(5,-6,abs))

def f(x):
    return x*x
r = map(f, [1,2,3,4,5,6,7,8,9])
print(list(r)[:])

2、reduce()
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

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

from functools import reduce
def add(x,y):
    return x+y
a = reduce(add,[1,3,5,7,9])
print(a)

from functools import  reduce
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))
a = str2int('13579')
print(a)

#Test3：

# -*- coding: utf-8 -*-
from functools import reduce
def str2float(s):
    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 fn(x,y):
        return x*10+y
    n = s.index('.')
    p = len(s) - n - 1
    return reduce(fn, map(char2num, s[0:n]+s[n+1:]))/10**p

def str2float(s):
    def char2num(m):
        return {'0': 0, '1': 1, '2': 2, '3': 3, '4': 4, '5': 5, '6': 6, '7': 7, '8': 8, '9': 9, '.': '.'}[m]

    def fn(x, y):
        if y == '.':
            return x
        else:
            return x*10+y
    l = list(map(char2num, s))
    n = l.index('.')
    p = len(l) - n - 1
    return reduce(fn, l)/10**p

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

3、filter

Python内建的filter()函数用于过滤序列。

和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。

def is_odd(n):
    return n%2 == 0
a = list(filter(is_odd,[1,2,3,4,5,6,7]))
print(a)

def not_empty(s):
    return s and s.strip(' ')  # 默认删除whitespace
print(list(filter(not_empty,['A',' B',None, 'C', ' '])))

def odd_iter():
    n = 1
    while True:
        n = n + 2
        yield n     # odd order
def not_divisible(n):
    return lambda x: x % n > 0
def primes():
    yield 2
    it = odd_iter()     # odd order
    while True:
        m = next(it)
        yield m
        it = filter(not_divisible(m), it)
for n in primes():
    if n < 1000:
        print(n)
    else:
        break

注意到Iterator是惰性计算的序列，所以我们可以用Python表示“全体自然数”，“全体素数”这样的序列，而代码非常简洁。

总结

filter()的作用是从一个序列中筛出符合条件的元素。由于filter()使用了惰性计算，所以只有在取filter()结果的时候，才会真正筛选并每次返回下一个筛出的元素。

4、sorted排序算法

sorted()比较两个元素的大小,比较的过程必须通过函数抽象出来。.sorted()也是一个高阶函数。用sorted()排序的关键在于实现一个映射函数。

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)

key指定的函数将作用于list的每一个元素上，并根据key函数返回的结果进行排序。

然后sorted()函数按照keys进行排序，并按照对应关系返回list相应的元素：

keys排序结果 => [5, 9,  12,  21, 36]
                |  |    |    |   |
最终结果     => [5, 9, -12, -21, 36]

实现忽略大小写的排序：

>>> sorted(['bob', 'about', 'Zoo', 'Credit'], key=str.lower)

要进行反向排序，不必改动key函数，可以传入第三个参数reverse=True：
sorted(['bob', 'about', 'Zoo', 'Credit'], key=str.lower, reverse=True		

二、返回函数

函数作为返回值：
def lazy_sum(*args):
    def sum():
        ax = 0
        for n in args:
            ax += n
        return ax
    return sum

f = lazy_sum(1,3,5,7,9)
print(f())

闭包：

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。

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：

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

f1, f2, f3 = count()
>>> 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

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():
    def f(j):
        def g():
            return j*j
        return g
    fs = []
    for i in range(1, 4):
        fs.append(f(i)) # f(i)立刻被执行，因此i的当前值被传入f()
    return fs

总结：

一个函数可以返回一个计算结果，也可以返回一个函数。
返回一个函数时，牢记该函数并未执行，返回函数中不要引用任何可能会变化的变量。

三、匿名函数

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。

>>> 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。

好处：

1、因为函数没有名字，不必担心函数名冲突。

2、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

3、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。

四、装饰器 Decorator

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）。（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）

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。

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'

本质上，decorator就是一个返回函数的高阶函数

定义一个能打印日志的decorator：

# 两层嵌套

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

@log
def now():
    print('2015-3-25')

print(now())

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。
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：

call now():
2015-3-25

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。

# 三层嵌套

def log(text):
    def decorator(func):
        def wrapper(*args, **kw):
            print('%s %s():' % (text, func.__name__))
            return func(*args, **kw)
        return wrapper
    return decorator
@log('execute')
def now(x):
    print(sum(x))
print(now([1,3,5,7]))
>>>execute, now():
16

3层嵌套的效果是这样的：>>> now = log('execute')(now)

但函数也是对象，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'：

print(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。

什么情况下装饰器不适用？装饰器不能对函数的一部分应用，只能作用于整个函数。

一个变通的办法是“提取函数”，我们将这行语句提取成函数，然后对提取出来的函数应用装饰器：

def printdebug(func):
    def __decorator(user):
        print('enter the login')
        result = func(user)
        print('exit the login')
        return result

    return __decorator

def login(user):
    print('in login:' + user)
    msg = validate(user)  # exact to a method
    return msg

@printdebug  # apply the decorator for exacted method
def validate(user):
    msg = "success" if user == "jatsz" else "fail"
    return msg

result1 = login('jatsz')
print(result1)

# 有时候validate是个耗时的过程。为了提高应用的性能，我们会将validate的结果cache一段时间(30 seconds)，借助decorator和上面的方法

，我们可以这样实现：
import time

dictcache = {}
 
def cache(func):
    def __decorator(user):    
        now = time.time()
        if (user in dictcache):
            result,cache_time = dictcache[user]
            if (now - cache_time) > 30:  #cache expired, 缓存30s
                result = func(user)
                dictcache[user] = (result, now)  # cache the result by user
            else:  
                print('cache hits')
        else:
            result = func(user)
            dictcache[user] = (result, now)
        return result      
    return __decorator  
 
def login(user):
    print('in login:' + user)
    msg = validate(user)  
    return msg  
 
@cache  #apply the cache for this slow validation
def validate(user):
    time.sleep(5)  #simulate 10 second block
    msg = "success" if user == "jatsz" else "fail"
    return msg
 
result1 = login('jatsz'); print result1  
result2 = login('jatsz'); print result2    # this login will return immediately by hit the cache
result3 = login('candy'); print result3

>>>in login:jatsz
success
in login:jatsz
cache hits
success
in login:candy
fail

五、偏函数 Partial function

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。

print(int('12345', base=8))	# int()函数参数默认看作十进制，传入base参数，数看作N进制数，将其转换为十进制

# 或 print(int('12345', 8))

>>>5349

functools.partial就是帮助我们创建一个偏函数的：

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

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