享受Python中的函数式编程
尽管Python事实上并不是一门纯函数式编程语言，但它本身是一门多范型语言，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）：
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，但我还是很喜欢MichaelO.Church在他的文章“函数式程序极少腐坏（Functionalprogramsrarelyrot）”中对函数式编程的优点所作的描述。我在PyConUA2012期间的讲座“FunctionalProgrammingwithPython”中谈论了在Python中使用函数式方式的内容。我也提到，在你尝试在Python中编写可读同时又可维护的函数式代码时，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，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，它是一块“电池”，即使是在命令式方式占主导地位的程序中，也能够发挥作用。那么，它里面都有些什么呢？
Scala风格的Lambda定义
在Python中创建Lambda函数的语法非常冗长，来比较一下：
Python
map(lambdax:x*2,[1,2,3])
List(1,2,3).map(_*2)
Clojure
(map#(*%2)'(123))
Haskell
map(2*)[1,2,3]
受Scala的启发，Fn.py提供了一个特别的_对象以简化Lambda语法。
fromfnimport_
assert(_+_)(10,5)=15
assertlist(map(_*2,range(5)))==[0,2,4,6,8]
assertlist(filter(_<10,[9,10,11]))==[9]
除此之外还有许多场景可以使用_：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，你可以将结果打印出来：
fromfnimport_
print(_+2)#"(x1)=>(x1+2)"
print(_+_*_)#"(x1,x2,x3)=>(x1+(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：对每个新元素“按需”取值，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<<操作符，代表在需要时将新元素推入其中。
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
fibs=0:1:zipWith(+)fibs(tailfibs)
Clojure
(deffib(lazy-cat[01](map+fib(restfib))))
Scala
deffibs:Stream[Int]=
0#::1#::fibs.zip(fibs.tail).map{case(a,b)=>a+b}
现在你可以在Python中使用同样的方式了：
fromfnimportStream
fromfn.itersimporttake,drop,map
fromoperatorimportadd
f=Stream()
fib=f<<[0,1]<<map(add,f,drop(1,f))
assertlist(take(10,fib))==[0,1,1,2,3,5,8,13,21,34]
assertfib[20]==6765
assertlist(fib[30:35])==[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：
deffact(n):
ifn==0:return1
returnn*fact(n-1)
这种方式也能工作，但实现非常糟糕。为什么呢？因为它会递归式地保存之前的计算值以算出最终结果，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，CPython就会以此方式失败中止：
>>>importsys
>>>fact(sys.getrecursionlimit()*2)
...manymanylinesofstacktrace...
RuntimeError:maximumrecursiondepthexceeded
这也是件好事，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？答案很简单，只需改变函数以使用尾递归即可：
deffact(n,acc=1):
ifn==0:returnacc
returnfact(n-1,acc*n)
为什么这种方式更佳呢？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，结果是你没得到任何优化。
fn.recur.tco为你提供了一种机制，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，主要思路是将函数调用序列转换为while循环。
fromfnimportrecur
@recur.tco
deffact(n,acc=1):
ifn==0:returnFalse,acc
returnTrue,(n-1,acc*n)
@recur.tco是一个修饰符，能将你的函数执行转为while循环并检验其输出内容：
(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，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，你需要这样写：
classRequest(dict):
defparameter(self,name):
returnself.get(name,None)
r=Request(testing="Fixed",empty="")
param=r.parameter("testing")
ifparamisNone:
fixed=""
else:
param=param.strip()
iflen(param)==0:
fixed=""
else:
fixed=param.upper()
额，看上去有些古怪。用fn.monad.Option来修改你的代码吧，它代表了可选值，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，并且去掉除了许多if/else语句块。
fromoperatorimportmethodcaller
fromfn.monadimportoptionable
classRequest(dict):
@optionable
defparameter(self,name):
returnself.get(name,None)
r=Request(testing="Fixed",empty="")
fixed=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，它允许你进行多次调用尝试以完成计算。例如，你有一个Request类，它有type，mimetype和url等几个可选属性，你需要使用最少一个属性值以分析它的“request类型”：
fromfn.monadimportOption
request=dict(url="face.png",mimetype="PNG")
tp=Option\
.from_value(request.get("type",None))\#check"type"keyfirst
.or_call(from_mimetype,request)\#or..check"mimetype"key
.or_call(from_extension,request)\#or...get"url"andcheckextension
.get_or("application/undefined")
其余事项？
我仅仅描述了类库的一小部分，你还能够找到并使用以下功能：
22个附加的itertools代码段，以扩展内置module的功能的附加功能
将Python2和Python3的迭代器（iterator）（如range，map及filtter等等）使用进行了统一，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，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，我从社区中收到了许多审校观点、意见和建议，以及补丁和修复。我也在继续增强现有功能，并提供新的特性。近期的路线图包括以下内容：
为使用可迭代对象（iterable），如foldl，foldr增加更多操作符
更多的monad，如fn.monad.Either，以处理错误记录
为大多数module提供C-accelerator
为简化lambdaarg1:lambdaarg2:…形式而提供的curry函数的生成器
更多文档，更多测试，更多示例代码
Python培训，就选光环大数据Python培训机构！python学习地址：http://hadoop.aura.cn/python/
大数据培训、人工智能培训、Python培训、大数据培训机构、大数据培训班、数据分析培训、大数据可视化培训，就选光环大数据！光环大数据，聘请专业的大数据领域知名讲师，确保教学的整体质量与教学水准。讲师团及时掌握时代潮流技术，将前沿技能融入教学中，确保学生所学知识顺应时代所需。通过深入浅出、通俗易懂的教学方式，指导学生更快的掌握技能知识，成就上万个高薪就业学子。 更多问题咨询，欢迎点击------>>>>在线客服！
