map()
函数接收两个参数,一个是函数,一个是序列,map
将传入的函数依次作用到序列的每个元素,并把结果作为新的list返回。#使用map()完成平方的计算
def f(x):
return x*x
l = [1,2,3,4,5,6,7,8]
print map(f, l) #[1, 4, 9, 16, 25, 36, 49, 64]
请注意我们定义的函数f
。当我们写f
时,指的是函数对象本身,当我们写f(1)
时,指的是调用f函数,并传入参数1,期待返回结果1。
因此,map()
传入的第一个参数是f
,即函数对象本身。
像map()
函数这种能够接收函数作为参数的函数,称之为高阶函数(Higher-order function)。
再看reduce的用法。reduce把一个函数作用在一个序列[x1, x2, x3...]上,这个函数必须接收两个参数,reduce把结果继续和序列的下一个元素做累积计算,其效果就是:
reduce(f, [x1, x2, x3, x4]) = f(f(f(x1, x2), x3), x4)
#使用reduce完成一个求和计算
def add(x,y):
return x+y
print reduce(add ,l) # #使用mapreduce实现将数字字符串转换为整数
def str2int(s):
def fn(x, y):
return x * 10 + y
def char2num(s):
return {'': 0, '': 1, '': 2, '': 3, '': 4, '': 5, '': 6, '': 7, '': 8, '': 9}[s]
return reduce(fn, map(char2num, s))
print str2int('')
排序算法
x
和y
,如果认为x < y
,则返回-1
,如果认为x == y
,则返回0
,如果认为x > y
,则返回1
,这样,排序算法就不用关心具体的比较过程,而是根据比较结果直接排序。sorted()
函数就可以对list进行排序。#自定义平排序规则,对数据从大到小排序
def myOrder(x , y):
if x > y:
return -1
elif x< y:
return 1
else: return 0
print sorted(l, myOrder)
函数作为返回值
#一个求和函数,将函数作为返回值
def laz_sum(*args):
def sum():
ax = 0
for n in args:
ax = ax + n
return ax
return sum ff = laz_sum(*l) #<function add at 0x021448B0>
print ff() #
在这个例子中,我们在函数lazy_sum
中又定义了函数sum
,并且,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,这种称为“闭包(Closure)”的程序结构拥有极大的威力。
请再注意一点,当我们调用lazy_sum()
时,每次调用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()
和f2()
的调用结果互不影响。
map()
函数为例,计算f(x)=x2时,除了定义一个f(x)
的函数外,还可以直接传入匿名函数:匿名函数lambda x: x * x
实际上就是:
def f(x):
return x * x
关键字lambda
表示匿名函数,冒号前面的x
表示函数参数。
匿名函数有个限制,就是只能有一个表达式,不用写return
,返回值就是该表达式的结果。
。此外,匿名函数也是一个函数对象,也可以把匿名函数赋值给一个变量,再利用变量来调用该函数:
>>> f = lambda x: x * x
>>> f
<function <lambda> at 0x10453d7d0>
>>> f(5)
25
同样,也可以把匿名函数作为返回值返回,比如:
def build(x, y):
return lambda: x * x + y * y
__name__
属性,可以拿到函数的名字。now()
函数的功能,比如,在函数调用前后自动打印日志,但又不希望修改now()
函数的定义,这种在代码运行期间动态增加功能的方式,称之为“装饰器”(Decorator)。def log(func):
def wrapper(*args,**kw):
print '运行%s()方法:'% func.__name__
return func(*args, **kw)
return wrapper
@log
def now():
print "2014-11-13" now() #调用
观察上面的log
,因为它是一个decorator,所以接受一个函数作为参数,并返回一个函数。我们要借助Python的@语法,把decorator置于函数的定义处。
把@log
放到now()
函数的定义处,相当于执行了语句:
now = log(now)
wrapper()
函数的参数定义是(*args, **kw)
,因此,wrapper()
函数可以接受任意参数的调用。在wrapper()
函数内,首先打印日志,再紧接着调用原始函数。
因为我们讲了函数也是对象,它有__name__
等属性,但你去看经过decorator装饰之后的函数,它们的__name__
已经从原来的'now'
变成了'wrapper'
:
>>> now.__name__
'wrapper'
因为返回的那个wrapper()
函数名字就是'wrapper'
,所以,需要把原始函数的__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就会出错。
Python内置的functools.wraps
就是干这个事的,所以,一个完整的decorator的写法如下:
import functools def log(func):
@functools.wraps(func)
def wrapper(*args, **kw):
print 'call %s():' % func.__name__
return func(*args, **kw)
return wrapper
或者针对带参数的decorator:
import functools def log(text):
def decorator(func):
@functools.wraps(func)
def wrapper(*args, **kw):
print '%s %s():' % (text, func.__name__)
return func(*args, **kw)
return wrapper
return decorator
import functools
是导入functools
模块。模块的概念稍候讲解。现在,只需记住在定义wrapper()
的前面加上@functools.wraps(func)
即可。
functools
模块提供了很多有用的功能,其中一个就是偏函数(Partial function)。要注意,这里的偏函数和数学意义上的偏函数不一样。functools.partial
的作用就是,把一个函数的某些参数(不管有没有默认值)给固定住(也就是设置默认值),返回一个新的函数,调用这个新函数会更简单。以直接使用下面的代码创建一个新的函数int2
:
>>> import functools
>>> int2 = functools.partial(int, base=2)
>>> int2('1000000')
64
>>> int2('1010101')
85
f(a1, a2, a3)
,可以固定a3
,也可以固定a3
和a2
,也可以固定a3
,a2
和a1
,但不要跳着固定,比如只固定a1
和a3
,把a2
漏下了。如果这样做,调用新的函数会更复杂。