From ad9ff7638ede87b9964ee279361d33c505697064 Mon Sep 17 00:00:00 2001 From: "zhouzhongping@7wate.com" Date: Fri, 11 Aug 2023 15:43:34 +0800 Subject: [PATCH] =?UTF-8?q?Python=EF=BC=9A=E5=87=BD=E6=95=B0=E5=BC=8F?= =?UTF-8?q?=E7=BC=96=E7=A8=8B?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- .../Python/进阶/语言参考/函数式编程.md | 252 ++++++++++++++++++ .../Python/进阶/语言参考/面向对象进阶.md | 2 +- 2 files changed, 253 insertions(+), 1 deletion(-) create mode 100644 wiki/programming-language/Python/进阶/语言参考/函数式编程.md 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