【Python】【函数式编程】

标签：pen   简洁   编写   cti   log   部分   计算   分支   ram   

#  【【函数式编程】】
"""
函数是Python内建支持的一种封装，我们通过把大段代码拆成函数，通过一层一层的函数调用，就可以把复杂任务分解成简单的任务，这种分解可以称之为面向过程的程序设计。函数就是面向过程的程序设计的基本单元。

而函数式编程（请注意多了一个“式”字）——Functional Programming，虽然也可以归结到面向过程的程序设计，但其思想更接近数学计算。

我们首先要搞明白计算机（Computer）和计算（Compute）的概念。

在计算机的层次上，CPU执行的是加减乘除的指令代码，以及各种条件判断和跳转指令，所以，汇编语言是最贴近计算机的语言。

而计算则指数学意义上的计算，越是抽象的计算，离计算机硬件越远。

对应到编程语言，就是越低级的语言，越贴近计算机，抽象程度低，执行效率高，比如C语言；越高级的语言，越贴近计算，抽象程度高，执行效率低，比如Lisp语言。

函数式编程就是一种抽象程度很高的编程范式，纯粹的函数式编程语言编写的函数没有变量，因此，任意一个函数，只要输入是确定的，输出就是确定的，这种纯函数我们称之为没有副作用。而允许使用变量的程序设计语言，由于函数内部的变量状态不确定，同样的输入，可能得到不同的输出，因此，这种函数是有副作用的。

函数式编程的一个特点就是，允许把函数本身作为参数传入另一个函数，还允许返回一个函数！

Python对函数式编程提供部分支持。由于Python允许使用变量，因此，Python不是纯函数式编程语言。
"""
#【高阶函数】

#变量可以指向函数
print (abs(-10))
print(abs)                  #<built-in function abs>


def add(x,y,f):
    return f(x) + f(y)
x = -5
y = 6
f = abs
print(add(x,y,f))           #11

# 【高阶函数】【map】
def f(x):
    return x * x
r = map(f,[1,2,3,4,5])
print(list(r))               #[1, 4, 9, 16, 25]
print(r)                     #<map object at 0x1022454a8>
#一行代码就是
print(list(map(f,[1,2,3,4])))#[1, 4, 9, 16, 25]

#【高阶函数】【reduce】
from functools import reduce
def add(x,y):
    return x  + y
r = reduce(add,[1,2,3,4])
print(r)                    #10
#当然，求和运算也可以用python内建函数sum,没必要动用reduce.
#但是，如果要把序列[1,3,5,7,9]变成整数13579，reduce就可以派上用场
from functools import reduce
def fn(x,y):
    return 10 * x + y
print(reduce(fn,[1,3,5,7,9]))       #13579

# str 转 int
from functools import reduce

DIGITS = {"0":0,"1":1,"2":2,"3":3,"4":4,"5":5,"6":6,"7":7,"8":8,"9":9,"0":0}

def str2int(s):
    def fn(x,y):
        return 10 * x + y
    def char2num(ss):
        return DIGITS[ss]
    return reduce(fn,map(char2num,s))
print(str2int("13579"))             #13579

# 还可以用lambda函数进一步简化
def str2int(s):
    return reduce(lambda x,y:10 * x + y,map(lambda a: DIGITS[a],s))
print(str2int("2468"))              #2468

# 练习1：利用map函数，把用户输入的不规范的英文名字，变为首字母大写，其他小写的规范名字。
def nomalize(name):
    return name.capitalize()
L1 = ["adam","LISA","barT"]
L2 = list(map(nomalize,L1))
print(L2)                       #[‘Adam‘, ‘Lisa‘, ‘Bart‘]

#练习2：python提供的sum()函数可接收一个list并求和。请编写一个prod()函数，可接收一个list并通过reduce求积
def prod(L):
    return reduce(lambda x,y:x * y,L)
print(‘1*3*5*4=‘,prod([1,3,5,4]))
if prod([1,3,5,4]) == 60:
    print("测试成功！")
else:
    print("测试失败！")
‘‘‘
1*3*5*4= 60
测试成功！
‘‘‘
#练习3：利用map reduce编写str2float,把字符串"123.456"转成浮点数123.456
#方法1 我自己写的
from functools import reduce
def str2float1(s):
    digits = {"1":1,"2":2,"3":3,"4":4,"5":5,"6":6,"7":7,"8":8,"9":9,"0":0}
    def fn(x,y):
        return 10 * x + y
    def char2num(s):
        return digits[s]
    return reduce(fn,map(char2num,s.split(".")[0])) + reduce(fn,map(char2num,s.split(".")[1]))/10**len(s.split(".")[1])
print(‘str2float1(\‘123,456\‘)=‘,str2float1(‘123.456‘))
if str2float1(‘123.456‘) == 123.456:
    print(‘测试成功！‘)
else:
    print(‘测试失败！‘)
‘‘‘
str2float1(‘123,456‘)= 123.456
测试成功！
‘‘‘

# 方法2：网上的，比较简洁
from functools import reduce
def str2float2(s):
    def fn(x,y):
        return 10*x + y
    n = s.index(".")
    s1 = list(map(int,s[:n]))
    s2 = list(map(int,s[n+1:]))
    return reduce(fn,s1) + reduce(fn,s2)/10**len(s2)
print(‘str2float(\‘789.123\‘)=‘,str2float2(‘789.123‘))
if str2float2(‘789.1234‘) == 789.1234:
    print(‘测试成功！‘)
else:
    print(‘测试失败！‘)
‘‘‘
str2float(‘789.123‘)= 789.123
测试成功！
‘‘‘

# 【高阶函数】【filter】
# and & or
print(0 or 1)               #1
print(1 or 0)               #1
print(False or True)        #True
print(True or 0)            #True
print(False or 0)           #0
print(‘***********‘)
print(0 and 1)              #0
print(1 and 3)              #3
print(1 and 0)              #0
print(True and False)       #False
print(False and 7)          #False
print(1 and 7)              #7
print(None and None.strip())#None

# 把一个序列中的空字符串删掉
def not_empty(s):
    return s and s.strip()
print(list(filter(not_empty,[‘A‘,‘‘,‘B‘,None,‘C‘,‘ ‘])))            #[‘A‘,‘B‘,‘C‘]

#  用filter求素数
‘‘‘
【分析】
计算素数的一个方法是埃氏筛法，它的算法理解起来非常简单：
首先，列出从2开始的所有自然数，构造一个序列：
2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, ...
取序列的第一个数2，它一定是素数，然后用2把序列的2的倍数筛掉：
3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, ...
取新序列的第一个数3，它一定是素数，然后用3把序列的3的倍数筛掉：
5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, ...
取新序列的第一个数5，然后用5把序列的5的倍数筛掉：
7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, ...
不断筛下去，就可以得到所有的素数。
‘‘‘
# 分三步。1 先构造一个从3开始的奇数数列 2 定义一个筛选函数 3 定义一个生成器，不断返回下一个素数
def _odd_iter():
    n = 1
    while True:
        n = n + 2
        yield n

def _not_divisible(n):
    return lambda x:x %n > 0

def primes():
    yield 2
    it = _odd_iter()     # 初始数列
    while True:
        n = next(it)
        yield n
        it = filter(_not_divisible(n),it)

# 由于primes()也是一个无限序列，所以调用时需设置一个退出循环的条件：
for n in primes():
    if n < 10:
        print(n)
    else:
        break
‘‘‘
2
3
5
7
‘‘‘

# 练习 回数指从左往右和从右往左都是一样的数。利用filter()筛选出 回数
output = list(filter(lambda n: str(n)[0:] == str(n)[::-1],range(1,100)))
print(output)
if output == [1,2,3,4,5,6,7,8,9,11,22,33,44,55,66,77,88,99]:
    print(‘测试成功！‘)
else:
    print(‘测试失败！‘)


# 【高阶函数】【sorted】
print(sorted([36,5,-12,9,-21]))                                         #[-21, -12, 5, 9, 36]
print(sorted([36,5,-12,9,-21],key=abs))                                 #[5, 9, -12, -21, 36]
print(sorted([‘bob‘,‘about‘,‘Zoo‘,‘Credit‘]))                           #[‘Credit‘, ‘Zoo‘, ‘about‘, ‘bob‘] 【备注】字符串排序，默认按照ASCII大小，由于大写字母在小写字母之前
#如果想忽略大小写
print(sorted([‘bob‘,‘about‘,‘Zoo‘,‘Credit‘],key=str.lower))             #[‘about‘, ‘bob‘, ‘Credit‘, ‘Zoo‘]
#用大写函数同样适用
print(sorted([‘bob‘,‘about‘,‘Zoo‘,‘Credit‘],key=str.upper))             #[‘about‘, ‘bob‘, ‘Credit‘, ‘Zoo‘]
#反向排序
print(sorted([‘bob‘,‘about‘,‘Zoo‘,‘Credit‘],key=str.upper,reverse=True))#[‘Zoo‘, ‘Credit‘, ‘bob‘, ‘about‘]

# 练习：用一组tuple表示学生名字和成绩
L = [(‘Bob‘,75),(‘Adam‘,92),(‘Bart‘,66),(‘Lisa‘,88)]
 #请用sorted对上述列表分别按照名字和成绩排序
def by_name(t):
    return t[0].lower()
def by_score(t):
    return t[1]
print(‘按照名字排序结果： ‘,sorted(L,key=by_name))           #按照名字排序结果：  [(‘Adam‘, 92), (‘Bart‘, 66), (‘Bob‘, 75), (‘Lisa‘, 88)]
print(‘按照成绩排序结果： ‘,sorted(L,key=by_score))          #按照成绩排序结果：  [(‘Bart‘, 66), (‘Bob‘, 75), (‘Lisa‘, 88), (‘Adam‘, 92)]

# 【【函数式编程】】【返回函数】
#函数作为返回值
#实现一个可变参数的求和。通常情况下，求和函数这样定义
def calc_sum(*args):
    ax = 0
    for n in args:
        ax = ax + n
    return ax
#但是，如果不需要立即求和，而是后面，根据需要再计算。可不直接返回求和结果，而是返回求和函数。
def lazy_sum(*args):
    def sum():
        ax = 0
        for n in args:
            ax = ax + n
        return ax
    return sum
f = lazy_sum(1,3,5,7,9)
print(f)                #<function lazy_sum.<locals>.sum at 0x101a5a048>
print(f())              #25
# 【注意】每次调用lazy_sum()时，都会返回一个新的函数，即使传入相同的参数
f1 = lazy_sum(1,3,5)
f2 = lazy_sum(1,3,5)
print(f1 == f2)         #False  f1() f2()调用结果互不影响

# 闭包
def count():
    fs = []
    for i in range(1,4):
        def f():
            return i * i
        fs.append(f)
    return fs
f1,f2,f3 = count()
print(f1())
print(f2())
print(f3())
‘‘‘
9
9
9
全部都是9，原因在于，返回的函数引用了变量i,但它并非立即执行。等到三个函数都返回时，它们引用的变量已经编程了3，因此最终结果是9。
‘‘‘
#【注意】返回闭包牢记，返回函数不要引用任何循环变量，或者后续会发生变化的变量
#如果一定要引用循环变量，可再创建一个函数，用该函数的参数绑定循环变量当前的值，无论该循环变量后续如何修改，已绑定到函数参数的值不变。
def count2():
    def f(j):
        def g():
            return j * j
        return g
    fs = []
    for i in range(1,4):
        fs.append(f(i))
    return fs
f1,f2,f3 = count2()
print(f1())
print(f2())
print(f3())

‘‘‘
1
4
9
‘‘‘
# 方法内的变量，在方法帧未走完之前，一直有效 【备注】我也不知道这么形容对不对。。。只是我自己对此理解的一种方式。就像
import time
def now():
    timeL = []
    time1 = time.time()
    time2 = time1 + 1000
    time3 = time2 + 1000
    timeL.append(time1)
    timeL.append(time2)
    timeL.append(time3)
    def g(x):
        return timeL[x]
    return g
bb = now()
for i in range(0,3):
    print(bb(i))
‘‘‘
1531637726.270685
1531638726.270685
1531639726.270685
‘‘‘

#练习：利用闭包返回一个函数，每次调用它都会返回递增整数
#方法1
def createCounter():
    a = [0]
    def counter():
        a[0] = a[0] + 1
        return a[0]
    return counter
createrA = createCounter()
print(createrA(),createrA(),createrA())
#方法2
a = 0
def createCounter2():
    def counter():
        global a
        a = a + 1
        return a
    return counter
createrB = createCounter2()
print(createrB(),createrB(),createrB())


#【装饰器】
def now():
    print(‘2018-07-15‘)
f = now
print(now.__name__)             #now
print(f.__name__)               #now

# 两层嵌套
‘‘‘
现在，假设要增强now()函数的功能，比如，在函数调用前后自动打印日志，但又不希望修改now()函数的定义，这种在代码运行期间动态增加功能
的方式，称之为"装饰器"（Decorator）.
本质上，decorator就是一个返回函数的高阶函数。
‘‘‘
def log(func):
    def wrapper(*args,**kwargs):
        print(‘call %s():‘%func.__name__)
        return func(*args,**kwargs)
    return wrapper
@log
def now():
    print(‘2018-07-15‘)
now()
print(now.__name__)
‘‘‘
call now():
2018-07-15
wrapper
‘‘‘

‘‘‘
把@log放到now()函数的定义处，相当于执行now = log(now)，由于log()是一个decorator，返回一个函数，原来的now()函数仍然存在，只是
现在同名的now变量指向了新的函数，于是调用now()将执行新的函数
‘‘‘
#decorator本身需要传入参数。
def log(text):
    def decorator(func):
        def wrapper(*args,**kwargs):
            print(‘%s %s():‘ % (text,func.__name__))
            func(*args,**kwargs)
        return wrapper
    return decorator
@log(‘execute‘)
def now():
    print(‘2018-07-15‘)
now()
#【解析】相当与定义now =  log(‘execute‘)(now)

#经过decorator装饰的函数，名字都会编程 wrapper ，为避免以来函数签名的的代码执行错误，不需要编写wrapper.__name__ = func.__name__,python内置的functools.wraps就是做这个的。所以，一个完整的decorator如下。
import functools

def log(func):
    @functools.wraps(func)
    def wrapper(*args,**kwargs):
        print(‘call %s():‘ % func.__name__)
        return func(*args,**kwargs)
    return wrapper

#或者带参数的decorator
import functools
def log(text):
    def decorator(func):
        @functools.wraps(func)
        def wrapper(*args,**kwargs):
            print(‘%s %s():‘ % (text,func.__name__))
            return func(*args,**kwargs)
        return wrapper
    return decorator()

#练习 设计一个decorator，可作用于任何函数上，并打印该函数的执行时间。
import time,functools
def printcalltime(func):
    @functools.wraps(func)
    def wrapper(*args,**kwargs):
        start = time.time()
        res = func(*args,**kwargs)
        end = time.time()
        print(‘%s execute time = %s ms‘ % (func.__name__,(end - start)*1000) )
        return res
    return wrapper

@printcalltime
def print1():
    time.sleep(1)
    print (1)

print1()
print(print1.__name__)
‘‘‘
1
print1 execute time = 1002.7890205383301 ms
print1
‘‘‘

# 练习
‘‘‘
写出一个@log的decorator，使它既支持：

@log
def f():
    pass

又支持：

@log(‘execute‘)
def f():
    pass
‘‘‘
def log2(text):
    if callable(text) == False:
        def decorator(func):
            @functools.wraps(func)
            def wrapper(*args, **kwargs):
                print(‘execute %s for %s ‘ % (text,func.__name__))
                return func(*args,**kwargs)
            return wrapper
        return decorator
    else:
        @functools.wraps(text)
        def wrapper(*args,**kwargs):
            return text(*args,**kwargs)
        return wrapper
@log2
def now1():
    print ("hello now1")

@log2(‘too late‘)
def now2():
    print ("hello now2")

now1()
now2()
‘‘‘
hello now1
execute too late for now2 
hello now2
‘‘‘

# 【偏函数】
#int函数，默认是10进制。
print(int(‘12345‘))             #12345
#int函数还提供base参数，默认是10，如果传入，则按照参数的进制进行转换
print(int(‘12345‘,base=8))      #5349
print(int(‘12345‘,8))           #5349
print(int(‘11‘,base=2))         #3
#假设要大量转换二进制字符串，每次都传入int(x,base=2)太麻烦，于是想到定义一个int2()函数，默认把base=2传进去
def int2(x,base=2):
    return int(x,base)
#functools.partial就是创建偏函数的，不需要自己定义int2()
import functools
int2 = functools.partial(int,base=2)
print(int2(‘100‘))          #4
print(int2(‘101‘))          #5
‘‘‘
创建偏函数时，实际上可以接收函数对象、*args和**kw这3个参数，当传入：

int2 = functools.partial(int, base=2)
实际上固定了int()函数的关键字参数base，也就是：

int2(‘10010‘)
相当于：

kw = { ‘base‘: 2 }
int(‘10010‘, **kw)
当传入：

max2 = functools.partial(max, 10)
实际上会把10作为*args的一部分自动加到左边，也就是：

max2(5, 6, 7)
相当于：

args = (10, 5, 6, 7)
max(*args)
结果为10。
‘‘‘

【Python】【函数式编程】

标签：pen   简洁   编写   cti   log   部分   计算   分支   ram   

原文地址：https://www.cnblogs.com/suren2017/p/9314139.html