函数式编程
函数式编程就是一种给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，只要输入是正确的，输出就是正确的。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。
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。
高阶函数
变量可以指向函数
即：
>>> abs(-10)
10
>>> abs
<built-in function abs>
>>> x = abs(-10)
>>> x
10
>>> f = abs
>>> f
<built-in function abs>
#即：
>>> f(-10)
10
函数名也是变量
即：
>>> abs = 10
>>> abs(-10)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
TypeError: 'int' object is not callable
把abs指向10后，就无法通过abs(-10)调用该函数了，因为abs这个变量已经不指向求绝对值函数而是指向一个整数10，要恢复abs函数，请重启Python交互环境
传入函数
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，这种函数称为高阶函数。一个简单的高阶函数
def add(x, y ,f)
return f(x) + f(y)
map/reduce
python内建了map()和reduce()函数
map()函数接收脸啊哥哥参数，一个是函数，一个是Iterable，map将传入的函数一次作用到序列的每个元素，并把结果作废新的Iterator返回。即：
def f(x):
return x ** 2
r = map(f, [1, 2, 3, 4, 5, 6, 7, 8, 9])
print(list(r)) #[1, 4, 9, 16, 25, 36, 49, 64, 81]
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()函数把整个序列都计算出来并返回一个list
map()作为高阶函数，事实上它把运算规则抽象化，作用在Iterable的每一个元素并生成一个新的Iterator
reduce()``函数，把一个函数作用在一个序列上，这个函数必须接收两个参数，reduce`把结果继续和序列的洗一个元素做累积计算，其效果是:
reduce(f, [x1, x2, x3, x4]) = f(f(f(x1, x2,), x3), x4)
#对一个序列求和
>>> from functools import reduce
>>> def add(x, y)
return x + y
>>> reduce(add, [1, 3, 5, 7, 9])
25
filter
filter()函数用于过滤序列和map()相似，filter()也接收一个函数和一个序列。和map()不同的是，filter()把纯如的函数依次作用于每个元素，然后根据返回值的True和False决定保留还是丢弃该元素，例：保留奇数
def is_odd(n):
return n % 2 == 1
list(filter(is_odd, [1, 2, 4, 5, 6, 9, 10, 15]))
# 结果集[1,5, 9, 15]
可看出，上述举例中is_odd()可以看作是一个筛选函数。使用filter()函数，关键在于正确实现一个筛选函数。
计算素数
计算素数的一个方法是埃拉托色尼筛选法，理解非常简单：
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
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5，它一定是素数，然后用5把序列的5的倍数筛掉
6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,......
不断的筛选下去，就可以得到所有的素数。即：
构造一个从3开始的奇数序列，下列是一个从3开始的奇数序列生成器，并且是一个无限序列3-∞
def _iter():
n = 1
while True:
n = n + 2
yield n
定义一个筛选函数
def _not_divisible(n):
return lambda x : x % n > 0 #序列x中的所有元素% n > 0的保留，% n == 0的不保留
最后，定义一个生成器，不断返回下一个素数
def primes():
yield 2
it = _iter() # 初始化序列
while True:
n = next(it) # 返回序列的第一个数
yield n
it = filter(_not_divisible(n), it) # 构造一个新的序列
primes是一个无限序列，所以调用时，设置一个退出循环的条件
for n in primes():
if n < 100:
print(n) #打印从2-100的所有素数值，即上述`primes()`函数中`yield`返回的n
else:
break
sorted排序算法
内置的排序算法函数sorted()，可以对list进行排序。sorted()函数还可以接收一个key函数来实现自定义的排序。即：
L = [('Bob', 75), ('Adam', 92), ('Bart', 66), ('Lisa', 88)]
# 按学生姓名进行排序规则
def by_name_sort(t):
return t[0]
# 按照学生成绩从高到低排序规则
def by_score_sort(t):
return -t[1]
# 运行结果：
L2 = sorted(L, key=by_name_sort)
print(L2)
# 结果：[('Adam', 92), ('Bart', 66), ('Bob', 75), ('Lisa', 88)]
L3 = sorted(L, key=by_score_sort)
print(L3)
# 结果：[('Adam', 92), ('Lisa', 88), ('Bob', 75), ('Bart', 66)]
返回函数
将函数作为结果值返回：
def lazy_sum(*args) :
def sum():
ax = 0
for n in args:
ax = ax + n
return ax
return sum # 返回sum函数，sum函数内暂不计算求和
f = lazy_sum(1, 3, 5, 7, 9)
print(f)
# TODO:打印：<function lazy_sum.<locals>.sum at 0x0000014B7A247A60>
print(f()) # 运行f函数，即lazy_sum(*args)返回的sum()函数
# 打印结果：25
函数lazy_sum(*args)中又定义了函数sum，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，被称为“闭包”的程序拥有极大的威力。
注：每次调用时，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, 7, 9)
>>> f2 = lazy_sum(1, 3, 5, 7, 9)
>>> f1 == f2
False
>>> f1() == f2()
True
闭包
返回的函数并没有立刻执行，而是直到调用了f()才执行
def count():
fs = []
for i in range(1,4):
def f():
return i * i
fs.append(f)
return fs
f1, f2, f3 = count()
# 调用
print(f1) # 9
print(f2) # 9
print(f3) # 9
全部都是9，原因在于返回的函数引用了变量i，但是并非立刻执行，等到3个函数都返回时，引用的变量i已经变成了3，因那次结果为9。
返回闭包时牢记：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。
若一定要引用循环变量，在创建一个函数，用函数的参数绑定循环变量当前的值。
def count():
def f(j):
def g():
return j*j
return g
fs = []
for i in range(1, 4):
fs.append(f(i)) # f(i)立刻被执行，因此i的当前值被传入f()
return fs
f1, f2, f3 = count()
# 调用
print(f1) # 1
print(f2) # 4
print(f3) # 9
缺点是代码较长，可利用lambda函数缩短代码。
匿名函数lambda
lambda x: x * x实际上是：
def f(x):
return x * x
lambda是匿名函数的关键字，冒号前面的x表示函数参数。
匿名函数有个限制，只能有一个表达式，不用写return，返回值就是该表达式的结果。也可以将匿名函数赋值给一个变量，利用变量来调用该函数
装饰器
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，可以拿到函数的没名字：
def now():
print('2020-06-05')
f = now
print(now.__name__) # 'now'
现增强now()函数的功能，如，在函数调用前后自动打印日志，但是不希望修改now()函数的定义，这种在代码运行期间动态增加功能的方式，被称为“装饰器”(Decorator)。
decorator是一个返回函数的高阶函数，定义一个能打印日志的decorator
def log(func):
def wrapper(*args, **kw):
print('call %s():' % func.__name__)
return func(*args, **kw)
return wrapper
函数log是一个decorator，所以接受一个函数作为参数，并返回一个函数。借助@语法，把dedcorator置于函数的定义处：
@log
def now():
print('2020-06-05')
当调用now()函数，不仅会运行now()函数本身，还会在运行now()函数前打印一行日志：
>>> now()
calll now()
2020-06-05
将@log放在now()函数的定义处，相当于执行了语句now = log(now)
由于log()是一个decorator，返回一个函数，所以，原来的now()函数任然存在，只是同名的now变量指向了新的函数，于是调用now()将执行新函数，即在log()函数中返回的wrapper()函数。
wrapper()函数的参数定义是(*args, **kw)，因此，wrapper()函数课可以接受任意参数的调用。在wrapper()函数内，首先打印日志，再调用原始函数。
若decorator本身需要传入参数，就需要编写一个返回decorator的高阶函数，写出来会更加复杂，如：自定义log的文本：
def log(text):
def decorator(func):
def wrapper(*args, **kw):
print('%s %s():' % (text, func.__name__))
return func(*args, **kw)
return wrapper
return decorator
使用后:
@log('execute')
def now():
print('2020-06-05')
now()
# execute now():
# 2020-06-05
3层嵌套的效果是这样的，now = log('execute')(now)。首先执行log('execute')，返回的是decorator函数，再调用返回的函数，参数是now函数，返回值最终是wrapper函数。
函数也是对象，它有__name__等属性，经过哦decorator装饰之后，'__name__'属性从原来的函数名变成了'wrapper'。因为返回的那个wrapper()函数名字就是wrapper，所以，幼把原始函数的__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会出错。
python中内置了funtools.wraps，就是干这个事情的：
import functools
def log(func):
@functools.wraps(func)
def wrapper(*args, **kw):
print('call %s()' % func.__name__)
return func(*args, **kw)
return wrapper
import functools是导入functools模块。
偏函数
偏函数，即functools模块中的一个功能函数partial，functools.partial的作用就是，把一个函数的某些参数给固定住(即默认值)，返回一个新的函数，调用这个新函数会更加简单。
当函数的参数太多，需要简化时，使用functools.partial创建一个新的函数，新函数可以固定原函数部分参数，从而调用时更简单。
