python学习-基础-函数式编程

1. 高阶函数

# 高阶函数
# 函数本身也可以赋值给变量，即：变量可以指向函数。
# 既然变量可以指向函数，函数的参数能接收变量，那么一个函数就可以接收另一个函数作为参数，这种函数就称之为高阶函数。
def add3(x, y, f):
    return f(x) + f(y)

# map/reduce
# Python内建了map()和reduce()函数。
# map()传入的第一个参数是f，即函数对象本身。由于结果r是一个Iterator，Iterator是惰性序列，因此通过list()函数让它把整个序列都计算出来并返回一个list。
# 
def fun1(x):
	return x * x
reslut1 = map(fun1, [1,12,23,4])

# 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，
def fun2(x, y):
	return x * 10 + y

print(reduce(fun2, [1, 3, 5, 7, 9])) # 135789

def char2num(s):
	digits = {'0': 0, '1': 1, '2': 2, '3': 3, '4': 4, '5': 5, '6': 6, '7': 7, '8': 8, '9': 9}
	return digits[s]
print(reduce(fun2, map(char2num, '123546')))

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

# 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 fun4 (s):
	if isinstance(s, str):
		return s[:1].upper() + s[1:].lower()
		# return name.capitalize()
list7 = ['adam', 'LISA', 'barT']
res2 = list(map(fun4, list7))
print(res2)

#请编写一个prod()函数，可以接受一个list并利用reduce()求积：
def fun5():
	def fun6 (x, y):
		return x * y
	return reduce(fun6, [3,5,7,9])
print(fun5())

# 利用map和reduce编写一个str2float函数，把字符串'123.456'转换成浮点数123.456：
def str2float(str):
	def fun7(s):
		return int(s)
	def fun8(x, y):
		return x + y / 1000
	l1 = (str.split('.')[0],str.split('.')[1])
	l2 = list(map(fun7, l1))
	print(reduce(fun8, l2))

str2float('123.456')

# filter 过滤序列
# 
def is_odd(n):
    return n % 2 == 1

list(filter(is_odd, [1, 2, 4, 5, 6, 9, 10, 15]))

def is_palindrome(n):
    n1 = str(n) 
    # n1[::-1] 翻转字符串
    if n1[::] == n1[::-1]:
        return n1

output = list(filter(is_palindrome,range(1,1000)))
print(output)

# sorted 排序算法
# sorted()函数也是一个高阶函数，它还可以接收一个key函数来实现自定义的排序，例如按绝对值大小排序：
sorted([36, 5, -12, 9, -21], key=abs)
sorted(['bob', 'about', 'Zoo', 'Credit'], key=str.lower)
# 要进行反向排序，不必改动key函数，可以传入第三个参数reverse=True
sorted(['bob', 'about', 'Zoo', 'Credit'], key=str.lower, reverse=True)
# 请用sorted()对上述列表分别按名字排序：
# L = [('Bob', 75), ('Adam', 92), ('Bart', 66), ('Lisa', 88)]\
list10 = [('Bob', 75), ('Adam', 92), ('Bart', 66), ('Lisa', 88)]
def by_name (t):
	return t[0]
def by_scr (t):
	return t[1]
# list11 = sorted(list10, key=by_name)
list11 = sorted(list10, key=by_scr, reverse=True)
print(list11)

2. 函数作为返回值

# 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。
# 可变参数求和
def lazy_sum(*args):
    # ax = 0
    # for n in args:
    #     ax = ax + n
    # return ax
    def sum():
        ax = 0
        for n in args:
            ax = ax + n
        return ax
    return sum

# 闭包
# 匿名函数 lambda
list(map(lambda x: x * x, [1, 2, 3, 4, 5, 6, 7, 8, 9]))
# 通过对比可以看出，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。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。
# 因为函数没有名字，不必担心函数名冲突。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
# 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
print(list(filter(lambda x: x % 2 == 1, range(1 ,20))))

3. 装饰器 decorator

# 装饰器 decorator
# 函数对象有一个__name__属性，可以拿到函数的名字： now.__name__
# 
# 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）。
def log(func):
    def wrapper(*args, **kw):
        print('call %s():' % func.__name__)
        return func(*args, **kw)
    return wrapper
# 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：

@log
def now():
    print('2015-3-25')

# 把@log放到now()函数的定义处，相当于执行了语句：
# now = log(now)
now()

# 如果decorator本身需要传入参数，那就需要编写一个返回decorator的高阶函数，写出来会更复杂。比如，要自定义log的文本：
def log1(text):
    def decorator(func):
        def wrapper(*args, **kw):
            print('%s %s():' % (text, func.__name__))
            return func(*args, **kw)
        return wrapper
    return decorator
# 这个3层嵌套的decorator用法如下：
@log1('execute')
def now1():
    print('2015-3-25')

# 相比，嵌套效果 now = log('execute')(now)
now1()

#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。

#不需要编写wrapper.__name__ = func.__name__这样的代码，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：
import functools
import time
def log2(func):
    @functools.wraps(func)
    def wrapper(*args, **kw):
        print('call %s():' % func.__name__)
        return func(*args, **kw)
    return wrapper
# 或者针对带参数的decorator：
def log3(text):
    def decorator(func):
        @functools.wraps(func)
        def wrapper(*args, **kw):
            print('%s %s():' % (text, func.__name__))
            return func(*args, **kw)
        return wrapper
    return decorator
# 请设计一个decorator，它可作用于任何函数上，并打印该函数的执行时间：
# 
def metric(fn):
	@functools.wraps(fn)
	def wrapper (*args, **kw):
		t1 = time.time()
		f = fn(*args, **kw)
		t2 = time.time()
		print('%s executed in %s ms' % (fn.__name__, (t2 - t1) * 1000))
		return f
	return wrapper


#写出一个@log的decorator，使它既支持： @log @log('execute')
def log3(arg):
	# 判断参数是否存在
	
    if not isinstance(arg,str):
        def wrapper(*args,**kw):
            print('begin call %s' % arg.__name__)
            temp = arg(*args,**kw)
            print('end call %s' % arg.__name__)
            return temp
        return wrapper
    else:
        def execute(fn):
            @functools.wraps(fn)
            def wrapper2(*args,**kw):
                    print('%s begin call %s' % (arg,fn.__name__))
                    temp = fn(*args,**kw)
                    print('%s end call %s' % (arg,fn.__name__))
                    return temp
            return wrapper2
        return execute

4. 偏函数

# 偏函数
# functools.partial就是帮助我们创建一个偏函数的，不需要我们自己定义int2()，
def int2(x, base=2):
    return int(x, base)
# 可以直接使用下面的代码创建一个新的函数int2：
int2 = functools.partial(int, base=2)

print(int2('1000000'))

# 简单总结functools.partial的作用就是，把一个函数的某些参数给固定住（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。
max2 = functools.partial(max, 10)

# 相当于：
# args = (10, 5, 6, 7)
# max(*args)