diff --git a/wiki/programming-language/Python/进阶/语言参考/函数式编程.md b/wiki/programming-language/Python/进阶/语言参考/函数式编程.md
new file mode 100644
index 00000000..538ed7ac
--- /dev/null
+++ b/wiki/programming-language/Python/进阶/语言参考/函数式编程.md
@@ -0,0 +1,252 @@
+---
+title: 函数式编程
+description: Python 函数式编程
+keywords:
+- Python
+- 函数式编程
+tags:
+- Python
+sidebar_position: 3
+author: 7Wate
+date: 2023-08-11
+---
+
+## 函数式编程
+
+### 函数式编程是什么
+
+函数式编程（Functional Programming, FP）是一种编程范式，**主张用数学上的函数方式构建结构和元素之间的关系，而不是改变状态和数据。**在函数式编程中，函数是第一公民，这意味着函数可以被传递、返回和操作，就像其他的数据类型一样。函数在这里是「纯」的，意味着相同的输入始终产生相同的输出，并且没有副作用。
+
+```Python
+# 函数作为参数传递给另一个函数
+def apply(func, value):
+    return func(value)
+
+result = apply(lambda x: x*2, 5)  # 输出10
+```
+
+### 函数式编程与其他编程范式的区别
+
+函数式编程与命令式编程的区别在于，命令式编程关注如何完成任务，强调程序状态和改变状态的语句，而**函数式编程注重数据的映射和组合。**面向对象编程重视对象及其之间的交互，而函数式编程重视函数和数据处理。
+
+### 函数式编程的优势和局限性
+
+**优势**：
+
+- **简洁性**：函数式编程往往更简洁，可以用更少的代码做更多的事情。
+- **可维护性**：由于函数式编程的代码没有副作用，它通常更容易维护和调试。
+- **可重用性**：函数是高度模块化的，可以在多个地方重用。
+
+**局限性**：
+
+- **内存使用**：由于函数式编程倾向于复制数据而不是改变它，它可能使用更多的内存。
+- **难度**：对于不熟悉该范式的开发者来说，函数式编程可能较难学习。
+
+## Python 中的基础函数式工具
+
+Python 提供了一些内置的函数式工具，如 `lambda`，`map()`，`filter()` 和 `reduce()`，它们可以帮助你以函数式的方式处理数据。
+
+### `lambda`
+
+`lambda` 允许我们定义简短的匿名函数。
+
+```python
+double = lambda x: x * 2
+print(double(5))  # 输出10
+```
+
+### `map()`
+
+`map()` 函数将指定函数应用于序列的每一个元素。
+
+```python
+nums = [1, 2, 3, 4]
+squared = list(map(lambda x: x**2, nums))  # 输出[1, 4, 9, 16]
+```
+
+### `filter()`
+
+`filter()` 函数根据指定函数的判断结果来过滤序列。
+
+```python
+nums = [1, 2, 3, 4, 5]
+evens = list(filter(lambda x: x % 2 == 0, nums))  # 输出[2, 4]
+```
+
+### `reduce()`
+
+`reduce()` 函数对序列中的元素进行连续、累计地应用指定函数。
+
+```python
+from functools import reduce
+
+nums = [1, 2, 3, 4]
+product = reduce(lambda x, y: x*y, nums)  # 输出24
+```
+
+### `functools` 模块
+
+`functools` 模块提供了一些用于函数式编程的实用工具，如偏函数等。
+
+```python
+from functools import partial
+
+def multiply(x, y):
+    return x * y
+
+double = partial(multiply, 2)
+print(double(4))  # 输出8
+```
+
+## 高阶函数
+
+### 高阶函是数什么
+
+高阶函数接受一个或多个函数作为参数，或者返回一个函数。
+
+```python
+def greet(type_):
+    if type_ == 'hello':
+        return lambda name: "Hello, " + name
+    else:
+        return lambda name: "Hi, " + name
+
+greeting = greet('hello')
+print(greeting('Alice'))  # 输出'Hello, Alice'
+```
+
+### 在 Python 中创建和使用高阶函数
+
+除了 Python 内置的如 map、filter 和 reduce 这样的高阶函数外，我们也可以创建自己的高阶函数。
+
+```python
+def apply(func, data):
+    return [func(item) for item in data]
+
+nums = [1, 2, 3, 4]
+result = apply(lambda x: x*2, nums)  # 输出[2, 4, 6, 8]
+```
+
+## 纯函数和不变性
+
+### 纯函数是什么
+
+纯函数是函数式编程的核心概念之一。一个函数被认为是纯的，当它满足以下条件时：
+
+- **给定相同的输入，总是返回相同的输出。**
+- **没有任何副作用（例如修改全局状态、修改传入的参数、进行 I/O 操作等）。**
+
+这些特性使纯函数变得可预测且容易测试。
+
+```python
+# 纯函数示例
+def add(x, y):
+    return x + y
+
+# 不纯的函数示例，因为它改变了外部状态
+counter = 0
+def increment():
+    global counter
+    counter += 1
+    return counter
+```
+
+### 数据的不变性
+
+在函数式编程中，数据是不可变的。这意味着一旦一个数据结构被创建，就不能再改变它。而是每次需要修改数据时，都会返回一个新的数据副本。
+
+这一特性增加了代码的可读性和可预测性，因为你不必担心数据在不知情的情况下被修改。
+
+```python
+# 使用列表作为示例
+lst = [1, 2, 3]
+
+# 错误的做法：修改原始列表
+lst.append(4)
+
+# 正确的做法：创建新的列表
+new_lst = lst + [4]
+```
+
+## 装饰器
+
+### Python 中的装饰器
+
+装饰器是 Python 中的一个强大工具，它允许开发者**在不修改原始函数代码的情况下，给函数增加新的功能。**它们通常用于日志、权限检查、统计或其他跨越多个函数或方法的通用任务。
+
+```python
+def my_decorator(func):
+    def wrapper():
+        print("Something is happening before the function is called.")
+        func()
+        print("Something is happening after the function is called.")
+    return wrapper
+
+@my_decorator
+def say_hello():
+    print("Hello!")
+
+say_hello()
+```
+
+### 如何利用装饰器优化代码
+
+如上所示，装饰器是一个返回另一个函数的函数。要使用装饰器，只需在你想要装饰的函数上方加上`@decorator_name`。
+
+```python
+def repeat(num):
+    def decorator_repeat(func):
+        def wrapper(*args, **kwargs):
+            for _ in range(num):
+                result = func(*args, **kwargs)
+            return result
+        return wrapper
+    return decorator_repeat
+
+@repeat(num=4)
+def greet(name):
+    print(f"Hello, {name}")
+
+greet("Alice")  # 输出四次 "Hello, Alice"
+```
+
+## 闭包和自由变量
+
+闭包是一种特殊的函数，它可以记住在其所在作用域中声明的自由变量的值，即使它们在函数外部是不可用的。在更简单的语言中，闭包允许函数携带与之相关的数据。
+
+**在 Python 中，当内部函数引用了外部函数中的变量，内部函数就被认为是闭包。**
+
+```python
+def outer_function(x):
+    def inner_function(y):
+        return x + y
+    return inner_function
+
+closure = outer_function(10)
+print(closure(5))  # 输出15
+```
+
+## 递归
+
+递归是一种编程技巧，其中函数调用自身以解决较小的问题实例。递归通常与某种终止条件结合使用，以防止无限的自我调用。递归函数的经典例子是计算阶乘：
+
+```python
+# 此函数会不断调用自己，直到n为1。
+def factorial(n):
+    if n == 1:
+        return 1
+    return n * factorial(n - 1)
+
+print(factorial(5))  # 输出120
+```
+
+### 递归、迭代对比
+
+| 对比点       | 递归                                                         | 迭代                                                   |
+| ------------ | ------------------------------------------------------------ | ------------------------------------------------------ |
+| **直观性**   | 通常更直观和更容易实现                                       | 通常需要使用循环结构，可能不如递归直观                 |
+| **自然选择** | 对于某些问题，如树的遍历，递归是自然的选择                   | 对于基本的数据结构，如数组和链表，迭代是自然选择       |
+| **函数调用** | 可能会导致大量的函数调用，从而可能达到调用堆栈的限制         | 由于是循环结构，不会导致函数调用的堆栈溢出             |
+| **效率**     | 对于大量的递归，可能不如迭代高效                             | 对于简单的循环，迭代可能更加高效                       |
+| **内存使用** | 每次调用自己都需要额外的内存来存储变量和信息，可能会导致调用堆栈溢出 | 通常更为内存高效，因为它不需要为每次循环存储额外的信息 |
+| **实现方式** | 函数调用自己，直到满足某个条件                               | 使用循环结构，如`for`和`while`                         |
diff --git a/wiki/programming-language/Python/进阶/语言参考/面向对象进阶.md b/wiki/programming-language/Python/进阶/语言参考/面向对象进阶.md
index 1edd8935..391d13bd 100644
--- a/wiki/programming-language/Python/进阶/语言参考/面向对象进阶.md
+++ b/wiki/programming-language/Python/进阶/语言参考/面向对象进阶.md
@@ -4,7 +4,7 @@ description: 面向对象进阶
 keywords:
 - 面对对象
 tags:
-- 进阶
+- Python
 sidebar_position: 1
 author: 7Wate
 date: 2023-08-10