一 前言
初次接触函数式编程是在学习分布式计算的时候，那时候对map/reduce是不明觉厉，也没有懂多少原理方面的东西。Python中的函数式编程也算是初步了解一下map/reduce。所谓函数式编程，本质上是可以归结为面向过程的程序设计，但是它的思想很接近数学计算。它比一般的编程范式要更抽象，而且纯粹的函数式编程语言编写的函数是没有变量的，只要确定了输入，那也就确定了输出。它的另外一个特点就是把函数本身作为参数传入到另一个函数中，允许返回一个函数。
二 高阶函数（High-order Function）
在Python中，函数名本质上也是一个变量。我们可以将一个函数名赋值给一个变量，再通过这个变量来调用函数。在使用python面向过程的程序设计中，一个带有变量的函数是很普遍的设计，但是如果这个变量是一个函数，那么这个带有变量的函数我们就称之为高阶函数了。
一个简单的高阶函数示例：
def fun(n):
return n+1
def highorder(x, y, f):
return f(x)+f(y)
上面定义的highorder就是一个高阶函数，它是可以在参数中接收其他函数的函数。
三 Map/Reduce
有了上面的高阶函数基础，现在再来理解Map/Reduce就很容易了。Map函数接收两个参数，一个是函数，另一个是Iterable。Map将函数依次作用在Iterable的每一个元素上，并把结果作为新的Iterator返回。
看下面的示例：
def fun(n):
return n*2
m=map(fun, [1,2,3,4,5])
print(m)
E:\Study\python>python hello_python.py
[2, 4, 6, 8, 10]
map把函数fun依次作用在列表的每一个元素上，就得到了[2,4,6,8,10]。
如果嫌定义一个fun函数比较麻烦，可以使用lambda来进行简化，如下：
m=map(lambda n:n*2, [1,2,3,4,5])
再看Reduce的用法。Reduce同Map一样，也是将一个函数依次作用在一个序列上，但是要求这个函数必须接收两个函数。Reduce再把函数作用在前两个参数的结果与下一个序列的元素上。
下面就用Reduce来实现一个序列求和运算，见下例：
def add(x,y):
return x+y
r=reduce(add, [1,2,3,4,5])
print(r)
E:\Study\python>python hello_python.py
15
它的lambda版本为：
r=reduce(lambda x,y:x+y, [1,2,3,4,5])
四 返回函数
在前面就已经表述过函数是可以被赋值给一个变量的，那么既然函数可以返回一个变量，当然也是可以返回一个函数的。别看返回变量和返回函数本质上区别不大，但是这种返回函数的机制却在应用中有着极大的作用。
来看下面的示例：
def wrapper(*param):
def calc():
sum=0
for x in param:
sum=sum+x
return sum
return calc;
f=wrapper(1,2,3,4,5)
print(f())
E:\Study\python>python hello_python.py
15
定义一个包裹函数wrapper，接收不定数量个参数。在调用此函数后，其会返回一个内部定义的函数，这个函数要在真正调用它时才会执行。另外还要注意的是，calc函数中访问的数据是由wrapper带进来的，并且这些参数会与calc被保存在一起，我们称之为“闭包”（closure）。
五 闭包（Closure）
初次接触闭包，对其并不是十分的理解。仍以四中的代码作为示例。
wrapper是一个函数，包括不定个数的参数param。比较特殊的地方是这个函数体中还定义了一个新的函数calc，这个新函数的函数体内正引用了一个外部函数wrapper的参数，也就是说，外部函数传递过来的参数已经和calc函数绑定到了一起，形成了一个新函数。我们可以把param看成是这个新函数的一个配置信息。配置信息如果不一样，那函数的输出当然也就不一样了。
为了更好的理解闭包，看以下代码示例：
def wrapper(conf):
def calc(n):
return conf+n
return calc
f1=wrapper(1)
f2=wrapper(2)
print(f1(100))
print(f2(100))
E:\Study\python>python hello_python.py
101
102
分析上述代码，调用wrapper(1)时会返回一个函数，并且这个函数的配置信息是conf的值为1。再调用wrapper(2)时会返回另外一个函数，并且这个函数的配置信息是conf的值为2。所以在随后的我们都传入100参数来调用f1和f2时得到的结果为101和102,其根本原因就在于两个函数的配置信息不一样。
值得我们注意的是，并不是外部函数的所有信息都会被内部函数做为配置信息，只有外部函数的参数才会被内部函数作为配置信息。至于外部函数的局部变量，就不会被做为配置信息了。
六 装饰器（Decorator）
发明Decorator的初衷是为了解决在不修改原有函数代码的情况下，在函数调用前后增加其他功能，比如打印日志等。Decorator本质上就是一个返回函数的高阶函数，看下面这个打印日志的decorator,代码如下：
def decorator(func):
def wrapper():
print("Before invoked:")
func()
print("After invoked:")
return wrapper
def func():
print("Func invoked:")
f=decorator(func)
f()
E:\Study\python>python hello_python.py
Before invoked:
Func invoked:
After invoked:
上述代码给func定义了一个装饰器，在调用这个装饰器时返回一个函数，在这个函数中加上需要的代码后再调用func。但这里有一个问题，那就是原来可以直接调用func，现如今却要调用f了。要解决这个问题很容易，因为在python中函数是可以赋值给一个变量的，只需要将f改成func就可以了。如下所示：
func=decorator(func) func()
python中为实现这个机制提供了一个语法：@。在func前加上@decorator即可，相当于执行了func=decorator(func)，这样就解决了使用相同的名字来调用增加功能后的代码。如下所示：
def decorator(func):
def wrapper():
print("Before invoked:")
func()
print("After invoked:")
return wrapper
@decorator
def func():
print("Func invoked:")
func()
另外还有如何给decorator增加参数以及如何修改wrapper的__name__属性为func的内容，这里就不讲述了。
七 偏函数（Partial Function）
何谓偏函数？偏函数就是给函数增加默认参数后的函数。在python中，可以使用functools.partial来生成一个函数的偏函数。拿python中的int()做示例，int()函数默认是按十进制转换，如果想生成一个按8进制转换的偏函数，可以如下实现：
print(int(‘12345‘)) int8=functools.partial(int, base=8) print(int8(‘12345‘))
八 总结
在这篇文章中，主要讲述了函数式编程中的几个基本概念。个人感觉最难理解的就是Decorator了，特别是其中的所谓配置信息。如有错误之处，敬请留言！！！