python中fn的用法_利用Fn.py库在Python中进行函数式编程

尽管Python事实上并不是一门纯函数式编程语言&＃xff0c;但它本身是一门多范型语言&＃xff0c;并给了你足够的自由利用函数式编程的便利。函数式风格有着各种理论与实际上的好处(你可以在Python的文档中找到这个列表)&＃xff1a;

形式上可证

模块性

组合性

易于调试及测试

虽然这份列表已经描述得够清楚了&＃xff0c;但我还是很喜欢Michael O.Church在他的文章“函数式程序极少腐坏(Functional programs rarely rot)”中对函数式编程的优点所作的描述。我在PyCon UA 2012期间的讲座“Functional Programming with Python”中谈论了在Python中使用函数式方式的内容。我也提到&＃xff0c;在你尝试在Python中编写可读同时又可维护的函数式代码时&＃xff0c;你会很快发现诸多问题。

fn.py类库就是为了应对这些问题而诞生的。尽管它不可能解决所有问题&＃xff0c;但对于希望从函数式编程方式中获取最大价值的开发者而言&＃xff0c;它是一块“电池”&＃xff0c;即使是在命令式方式占主导地位的程序中&＃xff0c;也能够发挥作用。那么&＃xff0c;它里面都有些什么呢&＃xff1f;

Scala风格的Lambda定义

在Python中创建Lambda函数的语法非常冗长&＃xff0c;来比较一下&＃xff1a;

Python

map(lambda x: x*2, [1,2,3])

Scala

代码如下:

List(1,2,3).map(_*2)

Clojure

代码如下:

(map #(* % 2) &＃39;(1 2 3))

Haskell

代码如下:

map (2*) [1,2,3]

受Scala的启发&＃xff0c;Fn.py提供了一个特别的_对象以简化Lambda语法。

from fn import _

assert (_ &＃43; _)(10, 5) &＃61; 15

assert list(map(_ * 2, range(5))) &＃61;&＃61; [0,2,4,6,8]

assert list(filter(_ <10, [9,10,11])) &＃61;&＃61; [9]

除此之外还有许多场景可以使用_&＃xff1a;所有的算术操作、属性解析、方法调用及分片算法。如果你不确定你的函数具体会做些什么&＃xff0c;你可以将结果打印出来&＃xff1a;

from fn import _

print (_ &＃43; 2) # "(x1) &＃61;> (x1 &＃43; 2)"

print (_ &＃43; _ * _) # "(x1, x2, x3) &＃61;> (x1 &＃43; (x2 * x3))"

流(Stream)及无限序列的声明

Scala风格的惰性求值(Lazy-evaluated)流。其基本思路是&＃xff1a;对每个新元素“按需”取值&＃xff0c;并在所创建的全部迭代中共享计算出的元素值。Stream对象支持<

惰性求值流对无限序列的处理是一个强大的抽象。我们来看看在函数式编程语言中如何计算一个斐波那契序列。

Haskell

代码如下:

fibs &＃61; 0 : 1 : zipWith (&＃43;) fibs (tail fibs)

Clojure

代码如下:

(def fib (lazy-cat [0 1] (map &＃43; fib (rest fib))))

Scala

代码如下:

def fibs: Stream[Int] &＃61;

0 #:: 1 #:: fibs.zip(fibs.tail).map{case (a,b) &＃61;> a &＃43; b}

现在你可以在Python中使用同样的方式了&＃xff1a;

from fn import Stream

from fn.iters import take, drop, map

from operator import add

f &＃61; Stream()

fib &＃61; f <<[0, 1] <

assert list(take(10, fib)) &＃61;&＃61; [0,1,1,2,3,5,8,13,21,34]

assert fib[20] &＃61;&＃61; 6765

assert list(fib[30:35]) &＃61;&＃61; [832040,1346269,2178309,3524578,5702887]

蹦床(Trampolines)修饰符

fn.recur.tco是一个不需要大量栈空间分配就可以处理TCO的临时方案。让我们先从一个递归阶乘计算示例开始&＃xff1a;

def fact(n):

if n &＃61;&＃61; 0: return 1

return n * fact(n-1)

这种方式也能工作&＃xff0c;但实现非常糟糕。为什么呢&＃xff1f;因为它会递归式地保存之前的计算值以算出最终结果&＃xff0c;因此消耗了大量的存储空间。如果你对一个很大的n值(超过了sys.getrecursionlimit()的值)执行这个函数&＃xff0c;CPython就会以此方式失败中止&＃xff1a;

>>> import sys

>>> fact(sys.getrecursionlimit() * 2)

... many many lines of stacktrace ...

RuntimeError: maximum recursion depth exceeded

这也是件好事&＃xff0c;至少它避免了在你的代码中产生严重错误。

我们如何优化这个方案呢&＃xff1f;答案很简单&＃xff0c;只需改变函数以使用尾递归即可&＃xff1a;

def fact(n, acc&＃61;1):

if n &＃61;&＃61; 0: return acc

return fact(n-1, acc*n)

为什么这种方式更佳呢&＃xff1f;因为你不需要保留之前的值以计算出最终结果。可以在Wikipedia上查看更多尾递归调用优化的内容。可是……Python的解释器会用和之前函数相同的方式执行这段函数&＃xff0c;结果是你没得到任何优化。

fn.recur.tco为你提供了一种机制&＃xff0c;使你可以使用“蹦床”方式获得一定的尾递归优化。同样的方式也使用在诸如Clojure语言中&＃xff0c;主要思路是将函数调用序列转换为while循环。

from fn import recur

&＃64;recur.tco

def fact(n, acc&＃61;1):

if n &＃61;&＃61; 0: return False, acc

return True, (n-1, acc*n)

&＃64;recur.tco是一个修饰符&＃xff0c;能将你的函数执行转为while循环并检验其输出内容&＃xff1a;

(False, result)代表运行完毕

(True, args, kwargs)代表我们要继续调用函数并传递不同的参数

(func, args, kwargs)代表在while循环中切换要执行的函数

函数式风格的错误处理

假设你有一个Request类&＃xff0c;可以按照传入其中的参数名称得到对应的值。要想让其返回值格式为全大写、非空并且去除头尾空格的字符串&＃xff0c;你需要这样写&＃xff1a;

class Request(dict):

def parameter(self, name):

return self.get(name, None)

r &＃61; Request(testing&＃61;"Fixed", empty&＃61;" ")

param &＃61; r.parameter("testing")

if param is None:

fixed &＃61; ""

else:

param &＃61; param.strip()

if len(param) &＃61;&＃61; 0:

fixed &＃61; ""

else:

fixed &＃61; param.upper()

额&＃xff0c;看上去有些古怪。用fn.monad.Option来修改你的代码吧&＃xff0c;它代表了可选值&＃xff0c;每个Option实例可代表一个Full或者Empty(这点也受到了Scala中Option的启发)。它为你编写长运算序列提供了简便的方法&＃xff0c;并且去掉除了许多if/else语句块。

from operator import methodcaller

from fn.monad import optionable

class Request(dict):

&＃64;optionable

def parameter(self, name):

return self.get(name, None)

r &＃61; Request(testing&＃61;"Fixed", empty&＃61;" ")

fixed &＃61; r.parameter("testing")

.map(methodcaller("strip"))

.filter(len)

.map(methodcaller("upper"))

.get_or("")

fn.monad.Option.or_call是个便利的方法&＃xff0c;它允许你进行多次调用尝试以完成计算。例如&＃xff0c;你有一个Request类&＃xff0c;它有type&＃xff0c;mimetype和url等几个可选属性&＃xff0c;你需要使用最少一个属性值以分析它的“request类型”&＃xff1a;

from fn.monad import Option

request &＃61; dict(url&＃61;"face.png", mimetype&＃61;"PNG")

tp &＃61; Option \

.from_value(request.get("type", None)) \ # check "type" key first

.or_call(from_mimetype, request) \ # or.. check "mimetype" key

.or_call(from_extension, request) \ # or... get "url" and check extension

.get_or("application/undefined")

其余事项&＃xff1f;

我仅仅描述了类库的一小部分&＃xff0c;你还能够找到并使用以下功能&＃xff1a;

22个附加的itertools代码段&＃xff0c;以扩展内置module的功能的附加功能

将Python 2和Python 3的迭代器(iterator)(如range&＃xff0c;map及filtter等等)使用进行了统一&＃xff0c;这对使用跨版本的类库时非常有用

为函数式组合及partial函数应用提供了简便的语法

为使用高阶函数(apply&＃xff0c;flip等等)提供了附加的操作符

正在进行中的工作

自从在Github上发布这个类库以来&＃xff0c;我从社区中收到了许多审校观点、意见和建议&＃xff0c;以及补丁和修复。我也在继续增强现有功能&＃xff0c;并提供新的特性。近期的路线图包括以下内容&＃xff1a;

为使用可迭代对象(iterable)&＃xff0c;如foldl&＃xff0c;foldr增加更多操作符

更多的monad&＃xff0c;如fn.monad.Either&＃xff0c;以处理错误记录

为大多数module提供C-accelerator

为简化lambda arg1: lambda arg2:…形式而提供的curry函数的生成器

更多文档&＃xff0c;更多测试&＃xff0c;更多示例代码

本文原创发布php中文网&＃xff0c;转载请注明出处&＃xff0c;感谢您的尊重&＃xff01;