8.0 KiB
| title | description | keywords | tags | author | date | |||
|---|---|---|---|---|---|---|---|---|
| 函数式编程 | Python 函数式编程 |
|
|
7Wate | 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。
# 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。
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。
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。
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。
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。
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。
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。
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。
# 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。
# 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。
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。
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。
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：
# 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 |