什么是python中的高阶函数

**高阶函数（Higher-Order Function）**指“把函数当作值来用”的函数：
• 接收函数作为参数，或
• 返回一个函数（或两者兼有）。

这建立在 Python 的一等函数之上。

常见例子
• 作为参数传入

nums = [5, 2, 9, 1]
print(sorted(nums, key=lambda x: x % 3))   # key 本身就是函数

其它：map(f, it), filter(pred, it), functools.reduce(func, it)，any(pred(x) for x in it), all(…)。

•	返回一个函数（闭包/装饰器）

def power(n: int):
    def f(x: float) -> float:
        return x ** n
    return f

square = power(2)
print(square(3))  # 9

•	装饰器就是典型高阶函数

import time
def timing(fn):
    def wrapper(*a, **kw):
        t0 = time.perf_counter()
        try:
            return fn(*a, **kw)
        finally:
            print(f"{fn.__name__} took {time.perf_counter()-t0:.3f}s")
    return wrapper

@timing
def work(n): sum(range(n))
work(1_000_000)

什么时候用？
• 把“行为”抽出来做参数（排序规则、过滤条件、转换函数）。
• 复用控制流程（重试、缓存、计时、鉴权、事务），把差异点通过函数注入。
• 构建流水线/组合：

from functools import reduce
def compose(*fs):
    return reduce(lambda f, g: lambda x: f(g(x)), fs)

to_str = compose(str.strip, str.lower)
print(to_str("  Hello  "))  # "hello"

实战小对比
• 可读性优先：多数场景 list/dict 推导式比 map/filter 更直观：

[x+1 for x in nums if x % 2 == 0]   # 通常优于 map/filter 组合

•	聚合优先用专用函数：sum/any/all 往往比 reduce 清晰。

类型提示（更稳）

from typing import Callable, Iterable, TypeVar
T = TypeVar("T"); U = TypeVar("U")

def map_custom(f: Callable[[T], U], xs: Iterable[T]) -> list[U]:
    return [f(x) for x in xs]

一句话收尾：高阶函数让你“把变化的部分（行为）注入进去”，从而写出更通用、更可复用的代码；简单场景偏向推导式，复杂控制流用装饰器/闭包抽象最合适。