Python函数式编程指南（一）：函数式编程概述
|
1. 函数式编程概述 1.1. 什么是函数式编程？ 函数式编程使用一系列的函数解决问题。函数仅接受输入并产生输出，不包含任何能影响产生输出的内部状态。任何情况下，使用相同的参数调用函数始终能产生同样的结果。 在一个函数式的程序中，输入的数据“流过”一系列的函数，每一个函数根据它的输入产生输出。函数式风格避免编写有“边界效应”(side effects)的函数：修改内部状态，或者是其他无法反应在输出上的变化。完全没有边界效应的函数被称为“纯函数式的”(purely functional)。避免边界效应意味着不使用在程序运行时可变的数据结构，输出只依赖于输入。 可以认为函数式编程刚好站在了面向对象编程的对立面。对象通常包含内部状态（字段），和许多能修改这些状态的函数，程序则由不断修改状态构成；函数式编程则极力避免状态改动，并通过在函数间传递数据流进行工作。但这并不是说无法同时使用函数式编程和面向对象编程，事实上，复杂的系统一般会采用面向对象技术建模，但混合使用函数式风格还能让你额外享受函数式风格的优点。 1.2. 为什么使用函数式编程？ 函数式的风格通常被认为有如下优点： 1.逻辑可证 1.3. 如何辨认函数式风格？ 支持函数式编程的语言通常具有如下特征，大量使用这些特征的代码即可被认为是函数式的： 函数是一等公民 函数能作为参数传递，或者是作为返回值返回。这个特性使得模板方法模式非常易于编写，这也促使了这个模式被更频繁地使用。 复制代码 代码如下: #伪代码 interface Comparator { compare(o1,o2) } lst = list(range(5)) lst.sort(Comparator() { compare(o1,o2) { return o2 - o1 //逆序 }) 可见，我们定义了一个新的接口、新的类型（这里是一个匿名类），并new了一个新的对象只为了调用一个方法。如果这个方法可以直接作为参数传递会怎样呢？看起来应该像这样： 复制代码 代码如下: def compare(o1,o2): return o2 - o1 #逆序 lst = list(range(5)) lst.sort(compare) 请注意，前一段代码已经使用了匿名类技巧从而省下了不少代码，但仍然不如直接传递函数简单、自然。 匿名函数(lambda) lambda提供了快速编写简单函数的能力。对于偶尔为之的行为，lambda让你不再需要在编码时跳转到其他位置去编写函数。 复制代码 代码如下: lst.sort(lambda o1,o2: o1.compareTo(o2)) 相信从这个小小的例子你也能感受到强大的生产效率：） 封装控制结构的内置模板函数 为了避开边界效应，函数式风格尽量避免使用变量，而仅仅为了控制流程而定义的循环变量和流程中产生的临时变量无疑是最需要避免的。 复制代码 代码如下: lst2 = list() for i in range(len(lst)): #模拟经典for循环 if lst[i] > 0: lst2.append(lst[i]) 这段代码把从创建新列表、循环、取出元素、判断、添加至新列表的整个流程完整的展示了出来，俨然把解释器当成了需要手把手指导的傻瓜。然而，“过滤”这个动作是很常见的，为什么解释器不能掌握过滤的流程，而我们只需要告诉它过滤规则呢？ 复制代码 代码如下: lst2 = filter(lambda n: n > 0,lst) 这个函数带来的好处不仅仅是少写了几行代码这么简单。 封装控制结构后，代码中就只需要描述功能而不是做法，这样的代码更清晰，更可读。因为避开了控制结构的干扰，第二段代码显然能让你更容易了解它的意图。 另外，因为避开了索引，使得代码中不太可能触发下标越界这种异常，除非你手动制造一个。 函数式编程语言通常封装了数个类似“过滤”这样的常见动作作为模板函数。唯一的缺点是这些函数需要少量的学习成本，但这绝对不能掩盖使用它们带来的好处。 闭包(closure) 闭包是绑定了外部作用域的变量（但不是全局变量）的函数。大部分情况下外部作用域指的是外部函数。 闭包包含了自身函数体和所需外部函数中的“变量名的引用”。引用变量名意味着绑定的是变量名，而不是变量实际指向的对象；如果给变量重新赋值，闭包中能访问到的将是新的值。 闭包使函数更加灵活和强大。即使程序运行至离开外部函数，如果闭包仍然可见，则被绑定的变量仍然有效；每次运行至外部函数，都会重新创建闭包，绑定的变量是不同的，不需要担心在旧的闭包中绑定的变量会被新的值覆盖。 复制代码 代码如下: class greater_than_helper: def __init__(self,minval): self.minval = minval def is_greater_than(self,val): return val > self.minval def my_filter(lst,minval): helper = greater_than_helper(minval) return filter(helper.is_greater_than,lst) 请注意我们现在已经为过滤功能编写了一个函数my_filter。如你所见，我们需要在别的地方（此例中是类greater_than_helper）持有另一个操作数minval。 复制代码 代码如下: def my_filter(lst,minval): return filter(lambda n: n > minval,lst) 可见，闭包在不影响可读性的同时也省下了不少代码量。 函数式编程语言都提供了对闭包的不同程度的支持。在Python 2.x中，闭包无法修改绑定变量的值，所有修改绑定变量的行为都被看成新建了一个同名的局部变量并将绑定变量隐藏。Python 3.x中新加入了一个关键字 nonlocal 以支持修改绑定变量。但不管支持程度如何，你始终可以访问（读取）绑定变量。 内置的不可变数据结构 为了避开边界效应，不可变的数据结构是函数式编程中不可或缺的部分。不可变的数据结构保证数据的一致性，极大地降低了排查问题的难度。 递归 递归是另一种取代循环的方法。递归其实是函数式编程很常见的形式，经常可以在一些算法中见到。但之所以放到最后，是因为实际上我们一般很少用到递归。如果一个递归无法被编译器或解释器优化，很容易就会产生栈溢出；另一方面复杂的递归往往让人感觉迷惑，不如循环清晰，所以众多最佳实践均指出使用循环而非递归。 这一系列短文中都不会关注递归的使用。 （编辑：李大同） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |