Python的函数式编程-传入函数、排序算法、函数作为返回值、匿名函数、偏函数、装饰器

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。

传入函数

函数的本身也可以作为参数。

Python内建的mapreduce的函数。（来源于谷歌的，后来被道格这家伙开源了，成为当今处理大数据最火热的hadoop中的计算模型---MapReduce）

我们先看map。map()函数接收两个参数，一个是函数，一个是序列，map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list返回。

1 #使用map（）完成平方的计算
2 def f(x):
3     return x*x
4 l = [1,2,3,4,5,6,7,8]
5 print map(f, l)  #[1, 4, 9, 16, 25, 36, 49, 64]

请注意我们定义的函数f。当我们写f时，指的是函数对象本身，当我们写f(1)时，指的是调用f函数，并传入参数1，期待返回结果1。

因此，map()传入的第一个参数是f，即函数对象本身。

像map()函数这种能够接收函数作为参数的函数，称之为高阶函数（Higher-order function）。

再看reduce的用法。reduce把一个函数作用在一个序列[x1, x2, x3...]上，这个函数必须接收两个参数，reduce把结果继续和序列的下一个元素做累积计算，其效果就是：

reduce(f, [x1, x2, x3, x4]) = f(f(f(x1, x2), x3), x4)

 1 #使用reduce完成一个求和计算
 2 def add(x,y):
 3     return x+y
 4 print reduce(add ,l) #36
 5
 6 #使用mapreduce实现将数字字符串转换为整数
 7 def str2int(s):
 8     def fn(x, y):
 9         return x * 10 + y
10     def char2num(s):
11         return {‘0‘: 0, ‘1‘: 1, ‘2‘: 2, ‘3‘: 3, ‘4‘: 4, ‘5‘: 5, ‘6‘: 6, ‘7‘: 7, ‘8‘: 8, ‘9‘: 9}[s]
12     return reduce(fn, map(char2num, s))
13 print str2int(‘12345‘)

排序算法  

排序也是在程序中经常用到的算法。无论使用冒泡排序还是快速排序，排序的核心是比较两个元素的大小。

通常规定，对于两个元素x和y，如果认为x < y，则返回-1，如果认为x == y，则返回0，如果认为x > y，则返回1，这样，排序算法就不用关心具体的比较过程，而是根据比较结果直接排序。

Python内置的sorted()函数就可以对list进行排序。

1 #自定义平排序规则，对数据从大到小排序
2 def myOrder(x , y):
3     if x > y:
4         return -1
5     elif x< y:
6         return 1
7     else: return 0
8 print sorted(l, myOrder)

函数作为返回值

高阶函数除了可以接受函数作为参数外，还可以把函数作为结果值返回。

 1 #一个求和函数，将函数作为返回值
 2 def laz_sum(*args):
 3     def sum():
 4         ax = 0
 5         for n in args:
 6             ax = ax + n
 7         return ax
 8     return sum
 9
10 ff = laz_sum(*l) #<function add at 0x021448B0>
11 print ff() #36

在这个例子中，我们在函数lazy_sum中又定义了函数sum，并且，内部函数sum可以引用外部函数lazy_sum的参数和局部变量，当lazy_sum返回函数sum时，相关参数和变量都保存在返回的函数中，这种称为“闭包（Closure）”的程序结构拥有极大的威力。

请再注意一点，当我们调用lazy_sum()时，每次调用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, 7, 9)
>>> f2 = lazy_sum(1, 3, 5, 7, 9)
>>> f1==f2
False

f1()和f2()的调用结果互不影响。

匿名函数

当我们在传入函数时，有些时候，不需要显式地定义函数，直接传入匿名函数更方便。

在Python中，对匿名函数提供了有限支持。还是以map()函数为例，计算f(x)=x²时，除了定义一个f(x)的函数外，还可以直接传入匿名函数：

#使用匿名函数实现平方计算

print map(lambda x:x*x,l)

匿名函数lambda x: x * x实际上就是：

def f(x):
    return x * x

关键字lambda表示匿名函数，冒号前面的x表示函数参数。

匿名函数有个限制，就是只能有一个表达式，不用写return，返回值就是该表达式的结果。

。此外，匿名函数也是一个函数对象，也可以把匿名函数赋值给一个变量，再利用变量来调用该函数：

>>> f = lambda x: x * x
>>> f
<function <lambda> at 0x10453d7d0>
>>> f(5)
25

同样，也可以把匿名函数作为返回值返回，比如：

def build(x, y):
    return lambda: x * x + y * y

装饰器

由于函数也是一个对象，而且函数对象可以被赋值给变量，所以，通过变量也能调用该函数。

函数对象有一个__name__属性，可以拿到函数的名字。

现在，假设我们要增强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。

#实现一个装饰器，打印日志文件

 1 def log(func):
 2     def wrapper(*args,**kw):
 3         print ‘运行%s()方法:‘% func.__name__
 4         return func(*args, **kw)
 5     return wrapper
 6 @log
 7 def now():
 8     print "2014-11-13"
 9
10 now() #调用

观察上面的log，因为它是一个decorator，所以接受一个函数作为参数，并返回一个函数。我们要借助Python的@语法，把decorator置于函数的定义处。

把@log放到now()函数的定义处，相当于执行了语句：

now = log(now)

wrapper()函数的参数定义是(*args, **kw)，因此，wrapper()函数可以接受任意参数的调用。在wrapper()函数内，首先打印日志，再紧接着调用原始函数。

因为我们讲了函数也是对象，它有__name__等属性，但你去看经过decorator装饰之后的函数，它们的__name__已经从原来的‘now‘变成了‘wrapper‘：

>>> now.__name__
‘wrapper‘

因为返回的那个wrapper()函数名字就是‘wrapper‘，所以，需要把原始函数的__name__等属性复制到wrapper()函数中，否则，有些依赖函数签名的代码执行就会出错。

Python内置的functools.wraps就是干这个事的，所以，一个完整的decorator的写法如下：

1 import functools
2
3 def log(func):
4     @functools.wraps(func)
5     def wrapper(*args, **kw):
6         print ‘call %s():‘ % func.__name__
7         return func(*args, **kw)
8     return wrapper

或者针对带参数的decorator：

 1 import functools
 2
 3 def log(text):
 4     def decorator(func):
 5         @functools.wraps(func)
 6         def wrapper(*args, **kw):
 7             print ‘%s %s():‘ % (text, func.__name__)
 8             return func(*args, **kw)
 9         return wrapper
10     return decorator

import functools是导入functools模块。模块的概念稍候讲解。现在，只需记住在定义wrapper()的前面加上@functools.wraps(func)即可。

偏函数

Python的functools模块提供了很多有用的功能，其中一个就是偏函数（Partial function）。要注意，这里的偏函数和数学意义上的偏函数不一样。

主要作用：functools.partial的作用就是，把一个函数的某些参数（不管有没有默认值）给固定住（也就是设置默认值），返回一个新的函数，调用这个新函数会更简单。

例如int()默认是将一个字符串转化为十进制的整数，那如果我要默认转换为二进制的呢？

以直接使用下面的代码创建一个新的函数int2：

>>> import functools
>>> int2 = functools.partial(int, base=2)
>>> int2(‘1000000‘)
64
>>> int2(‘1010101‘)
85

最后，创建偏函数时，要从右到左固定参数，就是说，对于函数f(a1, a2, a3)，可以固定a3，也可以固定a3和a2，也可以固定a3，a2和a1，但不要跳着固定，比如只固定a1和a3，把a2漏下了。如果这样做，调用新的函数会更复杂。