<p>很多人都在谈论函数式编程（Functional Programming），只是很多人站在不同的角度看到的是完全不一样的风景。坚持实用主义的 Python 老司机们对待 FP 的态度应该更加包容，虽然他们不相信银弹，但冥冥中似乎能感觉到 FP 暗合了 Python 教义（The Zen of Python）的某些思想，而且既然 Python 是一门多范式编程语言，并在很大程度上支持函数式编程，那就更没有理由拒绝它。</p>    <p>函数式编程源自于数学理论，它似乎也更适用于数学计算相关的场景，因此本文以一个简单的数据处理问题为例，逐步介绍 Python 函数式编程从入门到走火入魔的过程。</p>    <p>问题：计算 N 位同学在某份试卷的 M 道选择题上的得分（每道题目的分值不同）。</p>    <p>首先来生成一组用于计算的伪造数据：</p>    <pre>  <code class="language-python"># @file: data.py  import random    from collections import namedtuple    Student = namedtuple('Student', ['id', 'ans'])    N_Questions = 25    N_Students = 20    def gen_random_list(opts, n):        return [random.choice(opts) for i in range(n)]    # 问题答案 'ABCD' 随机  ANS   = gen_random_list('ABCD', N_Questions)    # 题目分值 1~5 分  SCORE = gen_random_list(range(1,6), N_Questions)    QUIZE = zip(ANS, SCORE)    students = [        # 学生答案为 'ABCD*' 随机，'*' 代表未作答      Student(_id, gen_random_list('ABCD*', N_Questions))      for _id in range(1, N_Students+1)  ]    print(QUIZE)    # [('A', 3), ('B', 1), ('D', 1), ...  print(students)    # [Student(id=1, ans=['C', 'B', 'A', ...</code></pre>    <h3><strong>入门</strong></h3>    <p>首先来看常规的面向过程编程风格，我们需要遍历每个学生，然后遍历每个学生对每道题目的答案并与真实答案进行比较，然后将正确答案的分数累计：</p>    <pre>  <code class="language-python">import data    def normal(students, quize):        for student in students:          sid = student.id          score = 0          for i in range(len(quize)):              if quize[i][0] == student.ans[i]:                  score += quize[i][1]          print(sid, '\t', score)    print('ID\tScore\n==================')    normal(data.students, data.quize)    """  ID    Score    ==================  1      5    2      12    ...  """</code></pre>    <p>如果你觉得上面的代码非常直观且合乎逻辑，那说明你已经习惯按照计算机的思维模式进行思考了。通过创建嵌套两个 for 循环来 <strong>遍历</strong> 所有题目答案的判断和评分，这完全是为计算机服务的思路，虽然说 Python 中的 for 循环已经比 C 语言更进了一步，通常不需要额外的状态变量来记录当前循环的次数，但有时候也不得不使用状态变量，如上例中第二个循环中比较两个列表的元素。函数式编程的一大特点就是尽量抛弃这种明显 <strong>循环遍历</strong> 的做法，而是把注意集中在解决问题本身，一如在现实中我们批改试卷时，只需要将两组答案 <strong>并列</strong> 进行比较即可：</p>    <pre>  <code class="language-python">from data import students, QUIZE    student = students[0]    # 将学生答案与正确答案合并到一起  # 然后过滤出答案一致的题目  filtered = filter(lambda x: x[0] == x[1][0], zip(student.ans, QUIZE))    print(list(filtered))    # [('A', ('A', 3)), ('D', ('D', 1)), ...]</code></pre>    <p>然后再将所有正确题目的分数累加起来，即可：</p>    <pre>  <code class="language-python">from functools import reduce    reduced = reduce(lambda x, y: x + y[1][1], filtered, 0)    print(reduced)</code></pre>    <p>以上是对一位学生的结果处理，接下来只需要对所有学生进行同样的处理即可：</p>    <pre>  <code class="language-python">def cal(student):        filtered = filter(lambda x: x[0] == x[1][0], zip(student.ans, QUIZE))      reduced = reduce(lambda x, y: x + y[1][1], filtered, 0)      print(student.id, '\t', reduced)    print('ID\tScore\n==================')    # 由于 Python 3 中 map 方法只是组合而不直接执行  # 需要转换成 list 才能将 cal 方法的的结果打印出来  list(map(cal, students))    """  ID    Score    ==================  1      5    2      12    ...  """</code></pre>    <p>上面的示例通过 zip/filter/reduce/map 等函数将数据处理的方法 <strong>打包</strong> 应用到数据上，实现了基本的函数式编程操作。但是如果你对函数式有更深入的了解，你就会发现上面的 cal 方法中使用了全局变量 QUIZE ，这会导致在相同输入的条件下，函数可能产生不同的输出，这是 FP 的大忌，因此需要进行整改：</p>    <pre>  <code class="language-python">def cal(quize):        def inner(student):          filtered = filter(lambda x: x[0] == x[1][0], zip(student.ans, quize))          reduced = reduce(lambda x, y: x + y[1][1], filtered, 0)          print(student.id, '\t', reduced)      return inner  map(cal(QUIZE), students)</code></pre>    <p>如此借助闭包（Closure）的方法，就可以维持纯净的 FP 模式啦！</p>    <h3><strong>走火（fn.py)</strong></h3>    <p>也许看了上面的 FP 写法，你还是觉得挺啰嗦的，并没有达到你想象中的结果，这时候就需要呈上一款语法糖利器： <a href="/misc/goto?guid=4959550647511506150" rel="nofollow,noindex">fn.py</a> ！ fn.py 封装了一些常用的 FP 函数及语法糖，可以大大简化你的代码！</p>    <pre>  <code class="language-python">pip install fn</code></pre>    <p>首先从刚刚的闭包开始，我们可以用更加 FP 的方法来解决这一问题，称为 <a href="/misc/goto?guid=4958965029775868658" rel="nofollow,noindex">柯里化</a> ，简单来说就是 允许接受多个参数的函数可以分次执行，每次只接受一个参数 ：</p>    <pre>  <code class="language-python">from fn.func import curried    @curried  def sum5(a, b, c, d, e):        return a + b + c + d + e    sum3 = sum5(1,2)    sum4 = sum3(3,4)    print(sum4(5))    # 15</code></pre>    <p>应用到上面的 cal 方法中：</p>    <pre>  <code class="language-python">from fn.func import curried    @curried  def cal(quize, student):        filtered = filter(lambda x: x[0] == x[1][0], zip(student.ans, quize))      reduced = reduce(lambda x, y: x + y[1][1], filtered, 0)      print(student.id, '\t', reduced)    map(cal(QUIZE), students)</code></pre>    <p>在 FP 中数据通常被看作是一段数据流在一串函数的管道中传递，因此上面的 reduce 和 filter 其实可以合并：</p>    <pre>  <code class="language-python">reduce(lambda x, y: x + y[1][1], filter(lambda x: x[0] == x[1][0], zip(student.ans, quize)), 0)</code></pre>    <p>虽然更简略了，但是这样会大大降低代码的可读性（这也是 FP 容易遭受批评的一点），为此 fn 提供了更高级的函数操作工具：</p>    <pre>  <code class="language-python">from fn import F    cal = F() >> (filter, lambda x: x[0]==x[1][0]) >> (lambda r: reduce(_+_[1][1], r, 0))    # 计算一名学生的成绩  print(cal(zip(student.ans, QUIZE)))    # 然后组合一下  @curried  def output(quize, student):        cal = F() >> (filter, lambda x: x[0]==x[1][0]) >> (lambda r: reduce(_+_[1][1], r, 0))      print(student.id, '\t', cal(zip(student.ans, quize)))  map(output(QUIZE), students)</code></pre>    <h3><strong>入魔（Hy）</strong></h3>    <p>如果你觉得上面的代码已经足够魔性到看起来不像是 Python 语言了，然而一旦接受了这样的语法设定感觉也还挺不错的。如果你兴冲冲地拿去给 Lisp 或 Haskell 程序员看，则一定会被无情地鄙视:joy:，于是你痛定思痛下定决心继续挖掘 Python 函数式编程的奥妙，那么恭喜你，组织欢迎你的加入： Hail Hydra ！</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/67a2bbaaf473f4a951e57de8293133ea.jpg"></p>    <p>哦不对，说漏了，是 Hi Hy ！</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/feefd6b6af3dd98b602d886f636dc845.jpg"></p>    <p>Hy 是基于 Python 的 Lisp 方言，可以与 Python 代码进行完美互嵌（如果你更偏好 PyPy，同样也有类似的 <a href="/misc/goto?guid=4959727828639770866" rel="nofollow,noindex">Pixie</a> ），除此之外你也可以把它当做一门独立的语言来看待，它有自己的解释器，可以当做独立的脚本语言来使用：</p>    <pre>  <code class="language-python">pip install git+https://github.com/hylang/hy.git</code></pre>    <p>首先来看一下它的基本用法，和 Python 一样，安装完之后可以通过 hy 命令进入 REPL 环境：</p>    <pre>  <code class="language-python">=> (print "Hy!")  Hy!    => (defn salutationsnm [name] (print (+ "Hy " name "!")))  => (salutationsnm "YourName")  Hy YourName!</code></pre>    <p>或者当做命令行脚本运行：</p>    <pre>  <code class="language-python">#! /usr/bin/env hy  (print "I was going to code in Python syntax, but then I got Hy.")</code></pre>    <p>保存为 awesome.hy ：</p>    <pre>  <code class="language-python">chmod +x awesome.hy    ./awesome.hy</code></pre>    <p>接下来继续以上面的问题为例，首先可以直接从 Python 代码中导入：</p>    <pre>  <code class="language-python">(import data)    ;; 用于 Debug 的自定义宏  ;; 将可迭代对象转化成列表后打印  (defmacro printlst [it]      `(print (list ~it)))    (setv students data.students)  (setv quize data.QUIZE)    (defn cal [quize]    (fn [student]      (print student.id        (reduce          (fn [x y] (+ x (last (last y))))          (filter            (fn [x] (= (first x) (first (last x))))            (zip student.ans quize))          0        )      )    )  )    (printl (map (cal quize) students))</code></pre>    <p>如果觉得不放心，还可以直接调用最开始定义的方法将结果进行比较：</p>    <pre>  <code class="language-python">;; 假设最上面的 normal 方法保存在 fun.py 文件中  (import fun)  (.normal fun students quize)</code></pre>    <h3><strong>总结</strong></h3>    <p>以一个简单的数据处理问题为例，我们经历了 Python 函数式编程从开始尝试到“走火入魔”的整个过程。也许你还是觉得不够过瘾，想要尝试更 <strong>纯粹</strong> 的 FP 体验，那么 Haskell 将是你最好的选择。FP 将数据看做数据流在不同函数间传递，省去不必要的中间变量，保证函数的纯粹性…等等这些思想在数据处理过程中还是非常有帮助的（Python 在这一领域的竞争对手 R 语言本身在语法设计上就更多地受到 Lisp 语言的影响，虽然看起来语法也比较奇怪，但这也是它比较适合用于数据处理及统计分析的原因之一）。</p>    <h3><strong>参考</strong></h3>    <ol>     <li><a href="/misc/goto?guid=4959727828728591263" rel="nofollow,noindex">Tips » 0x02-函数式编程</a></li>     <li><a href="/misc/goto?guid=4959727828810532872" rel="nofollow,noindex">Python HOWTOs » Functional Programming HOWTO</a></li>     <li><a href="/misc/goto?guid=4959727828881103412" rel="nofollow,noindex">Hy's Doc</a></li>     <li><a href="/misc/goto?guid=4959550647511506150" rel="nofollow,noindex">fn.py</a></li>    </ol>    <p> </p>    <p>来自：http://blog.rainy.im/2016/12/04/fp-with-py/</p>    <p> </p>