浅谈Python 函数式编程
匿名函数lambda表达式
什么是匿名函数？
匿名函数，顾名思义就是没有名字的函数，在程序中不用使用 def 进行定义，可以直接使用 lambda 关键字编写简单的代码逻辑。lambda 本质上是一个函数对象，可以将其赋值给另一个变量，再由该变量来调用函数，也可以直接使用。
#平时，我们是先定义函数，再进行调用 def power(x): return x ** 2 print(power(2)) #使用lambda表达式的时候，我们可以这样操作 power = lambda x : x ** 2 print(power(2)) #觉得太麻烦，还可以这样调用 print((lambda x: 2 * x)(8))
lambda表达式的基本格式：lambda 入参 : 表达式
#入参可以有多个，比如 power = lambda x, n: x ** n print(power(2, 3))
lambda 表达式的使用场景
一般适用于创建一些临时性的，小巧的函数。比如上面的 power函数，我们当然可以使用 def 来定义，但使用 lambda 来创建会显得很简洁，尤其是在高阶函数的使用中。
定义一个函数，传入一个list，将list每个元素的值加1
def add(l = []): return [x +1 for x in l] print(add([1,2,3]))
上面的函数改成将所有元素的值加2
可能大家会说，这还不简单，直接把return里的1改成2就行了。但是真的行吗？如果函数被多个地方使用，而其他地方并不想加2，怎么办？
这好办，把变得那部分抽出来，让调用者自己传
def add(func,l = []): return [func(x) for x in l] def add1(x): return x+1 def add2(x): return x+2 print(add(add1,[1,2,3])) print(add(add2,[1,2,3]))
一个简简单单的问题，一定要用这么多代码实现？
def add(func,l = []): return [func(x) for x in l] print(add(lambda x:x+1,[1,2,3])) print(add(lambda x:x+2,[1,2,3]))
map函数
map的基本格式
map(func, *iterables)
map() 函数接收两个以上的参数，开头一个是函数，剩下的是序列，将传入的函数依次作用到序列的每个元素，并把结果作为新的序列返回。也就是类似 map(func,[1,2,3])
同样的，我们还是来完成这样一个功能：将list每个元素的值加1
def add(x): return x + 1 result = map(add, [1, 2, 3, 4]) print(type(result)) print(list(result))
使用lambda表达式简化操作
result = map(lambda x: x + 1, [1, 2, 3, 4]) print(type(result)) print(list(result))
函数中带两个参数的map函数格式
使用map函数，将两个序列的数据对应位置求和，之后返回,也就是对[1,2,3],[4,5,6]两个序列进行操作之后，返回结果[5,7,9]
print(list(map(lambda x, y: x + y, [1, 2, 3], [4, 5, 6])))
对于两个序列元素个数一样的，相对好理解。如果两个序列个数不一样的，会不会报错？
print(list(map(lambda x, y: x + y, [1, 2, 3], [4, 5])))
我们可以看到不会报错，但是结果以个数少的为准
reduce函数
reduce函数的基本格式
reduce(function, sequence, initial=None)
reduce把一个函数作用在一个序列上，这个函数必须接收两个参数，reduce函数把结果继续和序列的下一个元素做累积计算，跟递归有点类似，reduce函数会被上一个计算结果应用到本次计算中
reduce(func, [1,2,3]) = func(func(1, 2), 3)
使用reduce函数，计算一个列表的乘积
from functools import reduce def func(x, y): return x * y print(reduce(func, [1, 2, 3, 4]))
结合lambda表达式，简化操作
from functools import reduce print(reduce(lambda x, y: x * y, [1, 2, 3, 4]))
filter 函数
filter 顾名思义是过滤的意思，带有杂质的（非需要的数据），经过 filter 处理之后，就被过滤掉。
filter函数的基本格式
filter(function_or_None, iterable)
filter() 接收一个函数和一个序列。把传入的函数依次作用于每个元素，然后根据返回值是 True 还是 False 决定保留还是丢弃该元素。
使用 filter 函数对给定序列进行操作，最后返回序列中所有偶数
print(list(filter(lambda x: x % 2 == 0, [1, 2, 3, 4, 5])))
sorted 函数
sorted从字面上就可以看去这是个用来排序的函数，sorted 可以对所有可迭代的对象进行排序操作
sorted的基本格式
sorted(iterable, key=None, reverse=False) #iterable -- 可迭代对象。 #key -- 主要是用来进行比较的元素，只有一个参数，具体的函数的参数就是取自于可迭代对象中，指定可迭代对象中的一个元素来进行排序。 #reverse -- 排序规则，reverse = True 降序 ， reverse = False 升序（默认）。 #对序列做升序排序 print(sorted([1, 6, 4, 5, 9])) #对序列做降序排序 print(sorted([1, 6, 4, 5, 9], reverse=True)) #对存储多个列表的列表做排序 data = [["Python", 99], ["c", 88]] print(sorted(data, key=lambda item: item[1]))
闭包
在万物皆对象的Python中,函数是否能作为函数的返回值进行返回呢？
def my_power():
n = 2
def power(x):
return x ** n
return power
p = my_power()
print(p(4))
#------------------------------------------------------------
def my_power():
n = 2
def power(x):
return x ** n
return power
n = 3
p = my_power()
print(p(4))
我们可以看到，my_power 函数在返回的时候，也将其引用的值（n）一同带回，n 的值被新的函数所使用，这种情况我们称之为闭包
当我们把n的值移除到my_power函数外面，这个时候来看下计算结果
n = 2
def my_power():
def power(x):
return x ** n
return power
n = 3
p = my_power()
print(p(4))
为什么输出的结果会是64？
我们先来看看闭包时，p.__closure____的结果
#例1
def my_power():
n = 2
def power(x):
return x ** n
return power
p = my_power()
print(p.__closure__)
#结果：(<cell at 0x00000264518F9A38: int object at 0x00007FFA7F617120>)
#closure是内部函数的一个属性，用来保存环境变量
#---------------------------------------------------------------------
#例2
n = 2
def my_power():
def power(x):
return x ** n
return power
n = 3
p = my_power()
print(p.__closure__)
#输出结果 None
通过例1跟例2对比，我们可以知道，例2并不是闭包
闭包经典问题
下面的程序是否是闭包？能否正确运行
def my_power():
n = 2
def power(x):
n += 1
return x ** n
return power
p = my_power()
print(p(3))
如何让上面的程序正确运行？看看改正之后的结果
def my_power():
n = 2
def power(x):
nonlocal n
n += 1
return x ** n
return power
p = my_power()
print(p.__closure__)
print(p(3))
print(p(3))
看看下面的程序的运行结果
def my_power():
n = 2
L = []
for i in range(1, 3):
def power():
return i ** n
L.append(power)
return L
f1, f2 = my_power()
print(f1())
print(f2())
print(f1.__closure__[0].cell_contents)
print(f2.__closure__[0].cell_contents)
python的函数只有在执行时，才会去找函数体里的变量的值，也就是说你连形参都不确定，你咋求知道 i为几呢？在这里，你只需要记住如果你连形参都不确定，python就只会记住最后一个i值。
装饰器及其应用
什么是装饰器模式
装饰器模式（Decorator Pattern）允许向一个现有的对象添加新的功能，同时又不改变其结构。这种类型的设计模式属于结构型模式，它是作为现有的类的一个包装。
这种模式创建了一个装饰类，用来包装原有的类，并在保持类方法签名完整性的前提下，提供了额外的功能。
import time start = time.time() time.sleep(4) end = time.time() print(end - start)
从实际例子来看装饰器
def my_fun():
print("这是一个函数")
my_fun()
要再打印“这是一个函数”前面在打印多一行hello world。
def my_fun():
begin = time.time()
time.sleep(2)
print("这里一个函数")
end = time.time()
print(end-begin)
my_fun()
这个时候，如果不想修改原有的函数，咋整？
def my_fun():
print("这是一个函数")
def my_time(func):
begin = time.time()
time.sleep(2)
func()
end = time.time()
print(end - begin)
my_time(func)
这种方式，因为要增加功能，导致所有的业务调用方都得进行修改，此法明显不可取。
另一种方式：
def print_cost(func):
def wrapper():
begin = time.time()
time.sleep(2)
func()
end = time.time()
print(end - begin)
return wrapper
@print_cost
def my_fun():
print("这里一个函数")
第二种方式并没有修改func函数的内部实现，而是使用装饰器模式对其功能进行装饰增强。
以上就是浅谈Python 函数式编程的详细内容，更多关于Python 函数式编程的资料请关注我们其它相关文章！