252 lines
8.0 KiB
Markdown
252 lines
8.0 KiB
Markdown
---
|
||
title: 函数式编程
|
||
description: Python 函数式编程
|
||
keywords:
|
||
- Python
|
||
- 函数式编程
|
||
tags:
|
||
- Python/进阶
|
||
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` |
|