外国做视频在线观看网站,网站制作公司交接网站,企业主页制作,网站开发课程安排函数式编程#xff08;以Python编程语言为例#xff09;介绍 何为函数式编程#xff1f;
函数式编程#xff08;Functional Programming#xff09;#xff0c;不要误以为就是用函数编程。函数式编程确实涉及使用函数#xff0c;但它不仅仅是“用函数编程”那么简单。 …函数式编程以Python编程语言为例介绍 何为函数式编程
函数式编程Functional Programming不要误以为就是用函数编程。函数式编程确实涉及使用函数但它不仅仅是“用函数编程”那么简单。
面向过程编程Procedural Programming是一种程序设计范式强调以函数或过程为中心来组织代码。它将负责编程逻辑的指令分成多个子程序或函数使得程序更易于理解和维护。
主要要素
函数Function逻辑代码块面向过程的程序设计的基本单元。
代码复用通过定义可重复使用的函数可以避免代码重复提高程序的可维护性和可读性。
自上而下设计通常采用自上而下的方法先定义程序的高层结构然后逐渐细化到具体的实现细节。
控制结构使用条件语句、循环结构等控制程序的流向。 函数式编程Functional Programming请注意多了一个“式”字。
函数式编程Functional Programming就是一种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确定的输出就是确定的这种纯函数我们称之为没有副作用。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因此这种函数是有副作用的。
主要要素
纯函数Pure Functions函数的输出仅依赖于其输入参数没有副作用side effects这意味着调用该函数不会改变外部状态或数据。函数式编程强调使用不可变数据一旦创建了一个对象就不能改变它这使得程序更具可预测性和可测试性。函数式编程强调使用纯函数。
函数是一等公民Functions are First-Class Citizens/ First-class functions在函数式编程中函数被视为第一类公民。这意味着函数可以被赋值给变量可以作为参数传递给其他函数也可以作为返回值返回。这使得高阶函数即接受其他函数作为参数或返回其他函数的函数成为可能。
不可变性Immutability数据结构在创建后不能被修改。相反任何数据变更都会返回一个新的数据结构。这有助于避免状态的变化和潜在的错误从而简化并发编程。
高阶函数Higher-Order Functions高阶函数是指接受一个或多个函数作为参数或者返回一个新函数的函数。许多编程语言中像 map、filter、reduce 这样的内置函数就是高阶函数。高阶函数允许程序员以更抽象的方式处理操作例如映射、过滤和归约等操作。
递归Recursion函数式编程常常使用递归来替代传统的循环结构。由于纯函数字段不允许有副作用因此递归成为了实现重复如 for 和 while逻辑的一种重要手段。
惰性求值Lazy Evaluation即表达式在需要时才会计算而不是立即计算。这种特性可以提高性能并允许处理无限数据结构。
下面解析函数式编程的几个要素
☆在编程语言中“函数是一等公民”意味着函数被视为与其他数据类型如整数、字符串等具有同等地位。具体来说这意味着函数可以 被赋值给变量 作为参数传递给其他函数 作为其他函数的返回值 存储在数据结构中如数组或对象
下面用Python编程语言举一个简单的例子来说明这个概念
def greet(name):return fHello, {name}!# 1. 将函数赋值给变量
say_hello greet# 2. 将函数作为参数传递
def apply_function(func, value):return func(value)result apply_function(greet, Alice)
print(result) # 输出: Hello, Alice!# 3. 函数作为返回值
def create_greeter(greeting):def greeter(name):return f{greeting}, {name}!return greetercasual_greeter create_greeter(Hi)
print(casual_greeter(Bob)) # 输出: Hi, Bob!# 4. 存储在数据结构中
function_list [greet, casual_greeter]
for func in function_list:print(func(Charlie))
# 输出:
# Hello, Charlie!
# Hi, Charlie!☆纯函数是指满足以下两个条件的函数 给定相同的输入总是返回相同的输出。这意味着函数的输出完全由其输入决定不依赖于任何外部状态或数据。 函数的执行不会产生副作用Side Effects。这意味着函数不会修改任何外部状态。它不会改变全局变量不会修改传入的参数不会进行I/O操作如写文件或打印到控制台也不会调用其他会产生副作用的函数。
下面用Python举个例子来说明纯函数和非纯函数的区别
# 纯函数
def add(a, b):return a b# 非纯函数
total 0
def add_and_increment(a, b):global totaltotal 1return a b# 使用纯函数
result1 add(3, 4) # 总是返回 7
result2 add(3, 4) # 总是返回 7# 使用非纯函数
result3 add_and_increment(3, 4) # 返回 7但 total 变为 1
result4 add_and_increment(3, 4) # 返回 7但 total 变为 2☆高阶函数是指满足以下一个或两个条件的函数 接受一个或多个函数作为参数 返回一个函数作为结果
换句话说高阶函数就是操作函数的函数。这个概念利用了函数作为“一等公民”的特性。
下面用Python举几个例子来说明高阶函数
(1)接受函数作为参数示例
def apply_twice(func, value):return func(func(value))def add_five(x):return x 5result apply_twice(add_five, 10)
print(result) # 输出: 20在这个例子中apply_twice 是一个高阶函数它接受 func 函数作为参数并对 value 应用两次。 (2)返回一个函数示例
def create_multiplier(factor):def multiplier(x):return x * factorreturn multiplierdouble create_multiplier(2)
triple create_multiplier(3)print(double(5)) # 输出: 10
print(triple(5)) # 输出: 15这里 create_multiplier 是一个高阶函数它返回一个新的函数。 (3)既接受函数作为参数又返回一个函数示例
def compose(f, g):return lambda x: f(g(x))def add_one(x):return x 1def square(x):return x * xadd_one_and_square compose(square, add_one)print(add_one_and_square(3)) # 输出: 16在这个例子中compose 是一个高阶函数它接受两个函数作为参数并返回一个新的函数。 Python常用的内置高阶函数
(1)map()
map(function, iterable)将指定的 function 应用到 iterable 中的每个元素并返回一个迭代器。
高阶函数: 因为它接受一个函数例如 lambda x: x ** 2作为参数。
示例将一个列表中的每个数字平方
numbers [1, 2, 3, 4, 5]
squared list(map(lambda x: x ** 2, numbers))
print(squared) # 输出: [1, 4, 9, 16, 25](2)filter()
filter(function, iterable)根据 function 的返回值过滤 iterable 中的元素只保留返回值为 True 的元素。
高阶函数: 因为它接受一个函数作为参数。
示例从列表中筛选出偶数
numbers [1, 2, 3, 4, 5]
even_numbers list(filter(lambda x: x % 2 0, numbers))
print(even_numbers) # 输出: [2, 4](3)reduce() 【在 functools 模块中】
reduce(function, iterable)在 functools 模块中reduce() 将二元操作即接受两个参数的函数累积应用于可迭代对象中的元素从而将其缩减为单一值。
高阶函数: 因为它接受一个函数作为参数。
示例计算列表中所有数字的乘积
from functools import reducenumbers [1, 2, 3, 4]
product reduce(lambda x, y: x * y, numbers)
print(product) # 输出: 24 (1*2*3*4)(4)sorted()
sorted(iterable, keyNone, reverseFalse)对可迭代对象进行排序并可以通过提供自定义排序键key来控制排序方式。
虽然它不直接接受一个“处理”函数但可以通过 key 参数传入一个用于比较的函数因此也被视为高阶函数。
高阶函数: 因为它可以接受一个函数key 参数作为参数。
示例按字符串长度对列表进行排序
words [apple, banana, cherry, date]
sorted_words sorted(words, keylen)
print(sorted_words) # 输出: [date, apple, banana, cherry](5)any() 和 all()
any(iterable)如果可迭代对象中至少有一个元素为 True则返回 True否则返回 False。
all(iterable)如果可迭代对象中的所有元素都为 True则返回 True否则返回 False。
这两个函数本身不接受用户定义的处理逻辑但它们基于布尔上下文来评估可迭代对象中的元素因此也被认为是高阶函数的一种变体。
高阶函数: 被认为是高阶函数的一种变体。
示例使用 any() 检查是否有任何元素为 True使用 all() 检查是否所有元素都为 True。
numbers [1, 2, 3, 4, 5]
print(any(x 3 for x in numbers)) # 输出: True
print(all(x 3 for x in numbers)) # 输出: False☆惰性求值Lazy Evaluation是一种计算策略它延迟表达式的评估直到真正需要其结果的时候。
惰性求值的特点和优势 按需计算只有在实际需要结果时才进行计算而不是预先计算所有可能的值。 处理无限序列可以定义和使用理论上无限的数据结构因为只有被访问的部分才会被计算。 提高性能避免不必要的计算特别是在处理大型数据集时。 节省内存不需要一次性在内存中保存所有结果。
在Python中我们可以通过生成器和迭代器来实现惰性求值。
(1)使用生成器实现惰性求值
def infinite_sequence():num 0while True:yield numnum 1# 使用生成器
gen infinite_sequence()
print(next(gen)) # 0
print(next(gen)) # 1
print(next(gen)) # 2这个例子定义了一个理论上无限的序列但只有在调用 next() 时才会生成下一个值。
(2)自定义惰性求值类
class LazyRange:def __init__(self, start, end):self.start startself.end enddef __iter__(self):current self.startwhile current self.end:yield currentcurrent 1# 使用LazyRange
lazy_range LazyRange(1, 1000000)
for i in lazy_range:if i 5:breakprint(i)这个例子定义了一个惰性范围类只有在迭代时才会生成值。 面向过程编程和函数式编程对比
面向过程编程Procedural Programming和函数式编程Functional Programming是两种不同的编程范式它们在设计理念、结构、数据处理方式等方面存在显著差异。以下是这两种编程范式的主要区别
☆编程理念方面
面向过程编程 强调使用过程或函数来组织代码。 关注的是如何实现任务即程序的步骤和流程。 逐步实现从顶层结构逐渐细化到具体实现。
函数式编程 强调使用纯函数来定义计算。 关注的是计算的结果和数据的变换而不是如何执行这些变换的具体步骤。 偏好声明式编程风格即说明结果是什么而不是怎么做。
☆数据与状态管理方面
面向过程编程 使用可变数据结构允许在程序运行时修改变量的值。 状态管理依赖于全局变量和局部变量可能导致难以追踪和理解程序状态变化。
函数式编程 数据通常是不可变的一旦创建就不能被修改。任何“变化”都通过创建新的数据结构来实现。 函数不依赖于外部状态不会有副作用side effects使得代码更具可预测性和可测试性。
☆代码组织、制流的使用方面
面向过程编程 使用控制结构如条件语句、循环等来控制程序执行流程。 程序逻辑往往围绕着对状态的改变进行组织。
函数式编程 更倾向于使用递归而不是循环来实现重复操作。 控制流通常通过高阶函数如 map、filter 和 reduce 等来实现而不是显式地使用循环结构。 下面是使用 Python 语言给出简单的示例对比直观比较这两种范式分别演示面向过程编程和函数式编程来计算圆的周长和面积的例子。
先看面向过程编程的实现在面向过程编程中我们通常会定义一个或多个函数来执行特定的任务并且可能会使用可变状态。以下是一个简单的实现
import mathdef calculate_circumference(radius):circumference 2 * math.pi * radiusreturn circumferencedef calculate_area(radius):area math.pi * (radius ** 2)return area# 主程序
radius float(input(请输入圆的半径: ))
circumference calculate_circumference(radius)
area calculate_area(radius)print(f圆的周长: {circumference})
print(f圆的面积: {area})再看函数式编程的实现在函数式编程中我们将更加注重使用纯函数避免可变状态。虽然 Python 本身并不是纯粹的函数式语言但我们仍然可以采用一些函数式风格。以下是相应的实现
import math# 定义纯函数
def calculate_circumference(radius):return 2 * math.pi * radiusdef calculate_area(radius):return math.pi * (radius ** 2)# 使用高阶函数来处理输入和输出模拟
def process_circle_data(func, radius):return func(radius)# 主程序
radius float(input(请输入圆的半径: ))
circumference process_circle_data(calculate_circumference, radius)
area process_circle_data(calculate_area, radius)print(f圆的周长: {circumference})
print(f圆的面积: {area})对比分析说明
面向过程编程 明确地定义了计算周长和面积的两个独立函数。 在主程序中直接调用这些函数使用可变变量 circumference 和 area 来存储结果。
函数式编程 同样定义了计算周长和面积的两个纯函数。 使用高阶函数 process_circle_data 来处理输入这种方式使得代码更具抽象性。 没有显式地维护任何状态只通过传递参数来获取结果。
这两种方法都能有效地完成相同任务但它们在结构和思维方式上有所不同。 Python对函数式编程要素总结与补充
1. 函数是一等公民
在 Python 中函数是第一类公民可以将函数赋值给变量、作为参数传递给其他函数以及从其他函数返回。详见前面介绍。 2. 高阶函数
Python 支持高阶函数可以接受其他函数作为参数或返回一个新函数。详见前面介绍。 3. 纯函数
虽然 Python 本身不强制要求使用纯函数但开发者可以遵循这一原则来实现没有副作用的功能。详见前面介绍。 4. 不可变性
虽然 Python 的内置数据结构如列表是可变的但可以使用元组和 frozenset 等不可变数据结构来实现不可变性。
my_tuple (1, 2, 3)
# my_tuple[0] 10 会引发 TypeError因为元组是不可变的。5. 递归
Python 支持递归可以通过定义一个调用自身的函数来实现重复逻辑。不过要注意Python 对递归深度有限制默认最大深度为1000。
def factorial(n):if n 0:return 1else:return n * factorial(n - 1)print(factorial(5)) # 输出: 1206. 匿名函数Lambda 表达式
Python 提供了 lambda 表达式用于创建小型匿名函数。这在需要简单功能时非常方便可以直接在调用时定义而不必单独命名。
add lambda x, y: x y
print(add(2, 3)) # 输出: 57. 闭包
Python 支持闭包即可以在一个嵌套函数中引用外部作用域中的变量。这使得可以创建具有状态的函数。
def make_counter():count 0def counter():nonlocal countcount 1return countreturn countercounter make_counter()
print(counter()) # 输出: 1
print(counter()) # 输出: 28. 生成器
生成器generator是一种特殊类型的迭代器可以用来生成序列。它们通过 yield 表达式返回值并保持其状态使得可以按需计算序列中的值。
示例生成斐波那契数列的生成器
def fibonacci(n):a, b 0, 1for _ in range(n):yield aa, b b, a bfor num in fibonacci(10):print(num) # 输出前10个斐波那契数0, 1, 1, 2, ...9.迭代器Iterator
定义迭代器是一种对象它实现了 __iter__() 和 __next__() 方法允许我们逐个访问集合中的元素。
示例使用生成器创建一个简单的迭代器
生成器是 Python 中一种特殊类型的迭代器可以用来惰性地生成数据。这符合函数式编程中“懒惰计算”的理念因为它只在需要时才会计算下一个值。
# 创建一个生成器产生斐波那契数列
def fibonacci(n):a, b 0, 1for _ in range(n):yield aa, b b, a b# 使用这个生成器
for num in fibonacci(10):print(num) # 输出: 0, 1, 1, 2, 3, 5, 8, 13, 21, 34例子中fibonacci 函数是一个生成器它每次调用 yield 时返回当前的 Fibonacci 数而不是一次性计算所有的值。这样可以节省内存并且只有在需要时才会进行计算这符合函数式编程中的惰性求值特性。可以有效地处理大量数据。 10. 装饰器Decorator
定义装饰器是一个高阶函数它接受一个函数作为参数并返回一个新的函数。装饰器通常用于扩展或修改原有函数的行为而无需直接修改其代码。
下面是一个简单的示例展示如何使用装饰器来记录函数执行时间
import time# 定义装饰器
def timer_decorator(func):def wrapper(*args, **kwargs):start_time time.time() # 开始计时result func(*args, **kwargs) # 调用被装饰的函数end_time time.time() # 停止计时print(fFunction {func.__name__} executed in {end_time - start_time:.4f} seconds)return result # 返回原始函数结果return wrapper# 使用装饰器修饰目标函数
timer_decorator
def example_function():time.sleep(1) # 模拟耗时操作example_function()例子中timer_decorator 是一个装饰器它增强了 example_function 的功能使得每次调用该函数时都会打印出执行时间。你可以看到通过使用装饰器我们没有改变 example_function 的内部实现但却为它添加了新的功能。Python中的装饰器 提供了一种优雅的方法在不修改函数本身代码的情况下来添加额外的功能而不需要修改原始函数的代码。这种方式符合函数式编程中的组合和重用原则。 需要注意的是Python提供了对函数式编程支持但它不是一个纯粹的函数式编程语言。
函数式编程语言通常强调以下特性 纯函数函数的输出仅依赖于输入没有副作用。它们不会修改外部状态或者数据。 不可变性数据结构通常是不可变的意味着一旦创建就不能被修改。 高阶函数可以接受其他函数作为参数或返回函数的函数。 函数组合支持将多个函数组合成更复杂的操作。 Python的特性 可变与不可变Python有可变如列表、字典和不可变如元组、字符串数据类型但程序员在使用时可以选择可变数据结构这使得状态的变化变得简单。 副作用Python中的函数可以有副作用如修改外部变量或输出到控制台。因此定义一个“纯”函数的概念在Python中并不总是适用。 高阶函数支持Python支持高阶函数如使用 map()、filter() 和 reduce() 等内建函数也可以通过定义自己的函数来实现这一点。
因此所以说虽然Python支持函数式编程的某些特性并允许开发者以函数式的风格编程但由于其对可变状态的支持和函数的灵活性Python不是一种纯函数式编程语言。开发者可以根据需要选择不同的编程风格结合面向对象、面向过程和函数式编程的特性来开发更为灵活和高效的代码。
