从函数式编程的角度理解Python的map、reduce、filter
一、函数式编程
函数式编程是一种编程范式，将计算机运算视为函数运算，并且避免使用程序状态及易变对象。
函数式编程的特征
stateless：函数不维护任何状态。
immutable：输入数据发生变化时，返回新的数据集。
惰性求值：表达式不在它被绑定到变量之后就立即求值，而是在该值被取用的时候求值。
确定性：所谓确定性，就是像在数学中那样，
f(x) = y这个函数无论在什么场景下，都会得到同样的结果。
应用函数式编程，函数之间没有共享的变量，而是通过参数和返回值传递数据，可以重点关注做什么而非怎么做。
根据 Algorithm = Logic +Control ，在Python中使用map、reduce、filter，实际上改变的是 Control 的部分，即改变算法执行的策略，而不修改真正的业务Logic。
二、关键字
0. lambda
Python中可以用 lambda 关键字来创建一个小的匿名函数。
例如，这个lambda函数返回两个参数的和： lambda a, b: a+b 。
Lambda函数可以在需要函数对象的任何地方使用。在语法上，仅限于单个表达式。从语义上来说，它们只是正常函数定义的语法糖。
1. map
先看一个示例，下面的代码使用常规的面向过程方式，将一个字符串中所有小写字母转换为大写：
lowname = ['hello','world']
upper_name =[]
for i in range(len(lowname)):
upper_name.append( lowname[i].upper() )
面向过程的写法通过一个循环读取所有输入，依次进行转换。
而函数式的写法，将转换过程抽象成一个函数，然后在调用时不需要使用循环，而是使用map关键字:
def toUpper(item):
return item.upper()
upper_name = map(toUpper, ['hello','world'])
在builtins.py文件中，可以查看map的定义：
map(func, *iterables) --> map object
Make an iterator that computes the function using arguments from each of the iterables. Stops when the shortest iterable is exhausted.
即，map将func函数应用于传入序列的每个元素，并将结果作为新的list返回。map抽象了运算规则，使代码更易阅读。
函数func可以为一个具体的函数，也可以为一个lambda函数，例如下面的代码会把nums列表中每一个数乘3。
nums = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
newnums = map(lambda x: x*3, nums)
func参数的类型是一个function对象，只需要写函数名，不需要加括号。
2. reduce
在Python3中，使用reduce需要先从functool中引入，在_functools.py中可以查看reduce函数的定义。
reduce(function, sequence[, initial]) -> value
Apply a function of two arguments cumulatively to the items of a sequence,
from left to right, so as to reduce the sequence to a single value.
For example, reduce(lambda x, y: x+y, [1, 2, 3, 4, 5]) calculates ((((1+2)+3)+4)+5). If initial is present, it is placed before the items of the sequence in the calculation, and serves as a default when the
sequence is empty.
reduce对在参数序列中的元素，执行函数function，这个函数必须接收两个参数，reduce把结果继续与序列的下一个元素进行累积计算。
再看一个简单的示例，对一个列表中所有元素求和，非函数式编程的写法如下：
nums = [2, -5, 9, 7, -2, 5, 3, 1, 0, -3, 8]
result = 0
for i in nums:
result += i
使用reduce，可以隐藏数组遍历求和控制流程，让代码的业务逻辑更清晰：
from functools import reduce
nums = [2, -5, 9, 7, -2, 5, 3, 1, 0, -3, 8]
result = reduce(lambda x,y:x+y, nums)
当函数变复杂时，reduce的收益就会更明显，例如，将序列转换为整数：
from functools import reduce
nums = [2, 5, 9, 7, 2, 5, 3, 1, 0, 3, 8]
result = reduce(lambda x,y:x*10+y, nums)
# result = 25972531038
3. filter
filter应用于过滤序列，以一个判断函数和可迭代对象作为参数，返回序列中满足判断函数的元素组成的列表。
filter(function or None, iterable) --> filter object
Return an iterator yielding those items of iterable for which function(item) is true. If function is None, return the items that are true.
例如，过滤出一个列表中所有奇数：
def is_odd(n):
return n % 2 == 1
newlist = filter(is_odd, [1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
函数式编程三套件map、reduce、filter，都属于简化控制流程的函数。适当使用可以使代码更清晰易读，更聚焦于业务处理逻辑。例如，写一个计算数组中所有正数平均值的函数，使用面向过程的写法如下：
# 计算数组中正数的平均值
num = [2, -5, 9, 7, -2, 5, 3, 1, 0, -3, 8]
def calcute_average(num):
positive_num_cnt = 0
positive_num_sum = 0
average = 0
for i in range(len(num)):
if num[i] > 0:
positive_num_cnt += 1
positive_num_sum += num[i]
if positive_num_cnt > 0:
average = positive_num_sum / positive_num_cnt
return average
而使用函数式编程写法如下：
def calcute_average2(num):
positive_num = list(filter(lambda x: x > 0, num)) # 过滤正数
return reduce(lambda x, y: x + y, positive_num) / len(positive_num) # average = 正数列表求和/正数个数
注意：python3中filter函数的返回值为一个filter对象，需要转换成list对象才能使用reduce，而python2中可以直接写
positive_num = filter(lambda x: x > 0, num)
可以看到，这种方法通过去掉循环体，解耦了控制逻辑与业务逻辑，去掉了控制逻辑中的临时变量，代码重点在描述“做什么”。
