---
title: 函数式编程
description: Python 函数式编程
keywords:
  - Python
  - 函数式编程
tags:
  - FormalSciences/ComputerScience
  - ProgrammingLanguage/Python
  - Python/Advanced
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`                         |