Python 中的“函數式編程”范式：寫出更簡潔、更優雅的代碼
當我們談論Python時，我們常常稱其為一門“多范式”的編程語言。除了我們最熟悉的面向對象編程（OOP）和過程式編程，Python還優雅地支持一種強大而迷人的編程思想——函數式編程（Functional Programming, FP）。
第一章：函數式編程的核心思想——換個“大腦”看代碼
在深入代碼之前，我們必須先理解函數式編程的三個核心支柱。
(1) 可重復利用
你可以：
- 將函數賦值給一個變量。
- 將函數作為參數傳遞給另一個函數（高階函數）。
- 將函數作為另一個函數的返回值。 這是Python實現函數式編程的基石。
(2) 數據不可變
我們傾向于不修改已存在的數據，而是創建新的數據。例如，不去修改一個列表，而是返回一個經過處理的新列表。這極大地減少了因數據狀態改變而引發的復雜性和潛在bug，尤其是在并發編程中。
(3) 函數獨立性
一個“純函數”（Pure Function）是指，對于相同的輸入，永遠產生相同的輸出，并且在這個過程中，不與外界發生任何交互（如修改全局變量、打印到控制臺、讀寫文件等）。這種函數就像一個封閉的數學公式，獨立、可預測、易于測試。
第二章：入門三劍客——map, filter, reduce
這三個函數是函數式編程的經典入門工具，它們能讓你用一種聲明式的方式來處理序列數據。
1. map()：對序列中的每個元素應用同一個操作
想象一下，你想將一個列表中的所有數字都平方。用傳統的for循環，你會這么寫：
numbers = [1, 2, 3, 4, 5]
squared = []
for n in numbers:
squared.append(n * n)
# squared -> [1, 4, 9, 16, 25]而使用map，代碼會變得極其簡潔：
numbers = [1, 2, 3, 4, 5]
# map(function, iterable)
squared = list(map(lambda x: x * x, numbers))
# squared -> [1, 4, 9, 16, 25]這里我們用了lambda來創建一個簡單的匿名函數。map的寫法，更像是在“聲明”一個意圖（“將平方操作映射到numbers上”），而不是描述具體的執行步驟。
更Pythonic的選擇：列表推導式在Python中，對于簡單的map操作，列表推導式通常更受歡迎，因為它更直觀：
squared = [n * n for n in numbers]2. filter()：篩選出序列中滿足條件的元素
假設你想從列表中篩選出所有的偶數。
傳統寫法：
numbers = [1, 2, 3, 4, 5, 6]
evens = []
for n in numbers:
if n % 2 == 0:
evens.append(n)
# evens -> [2, 4, 6]使用filter：
numbers = [1, 2, 3, 4, 5, 6]
# filter(function, iterable)
evens = list(filter(lambda x: x % 2 == 0, numbers))
# evens -> [2, 4, 6]同樣，列表推導式也能實現，并且更具可讀性：
evens = [n for n in numbers if n % 2 == 0]3. reduce()：對序列進行累積計算
reduce可能是三者中最不常用的一個，因為它在Python 3中被移入了functools模塊。它的作用是將一個接收兩個參數的函數，累積地應用到序列的元素上，從而將序列“減少”為一個單一的值。
例如，計算一個列表中所有數字的乘積：
from functools import reduce
numbers = [1, 2, 3, 4, 5]
# reduce(function, iterable)
product = reduce(lambda x, y: x * y, numbers)
# 過程: (((1*2)*3)*4)*5
# product -> 120雖然reduce很強大，但Python之父Guido van Rossum認為，對于大多數場景，一個清晰的for循環更易于理解。因此，除非邏輯非常契合reduce的模式，否則不建議濫用。
第三章：進階的利器——functools模塊
functools模塊是Python函數式編程的“兵器庫”，它提供了一系列強大的高階函數和函數裝飾器。
1. functools.partial：凍結函數的參數
當你有一個多參數的函數，但希望在多次調用時，其中一些參數保持不變，partial就派上用場了。它能將一個函數的部分參數“凍結”起來，生成一個新的、更簡單的函數。
from functools import partial
def power(base, exponent):
return base ** exponent
# 我們想創建一個專門計算平方的函數
square = partial(power, exponent=2)
# 創建一個專門計算立方的函數
cube = partial(power, exponent=3)
print(square(5)) # 輸出: 25 (相當于調用 power(5, exponent=2))
print(cube(5)) # 輸出: 125 (相當于調用 power(5, exponent=3))partial在回調函數、事件處理等場景中非常有用，它能讓你的代碼更具模塊化和可復用性。
2. functools.wraps：優雅的裝飾器助手
當你編寫裝飾器時，一個常見的問題是，被裝飾后的函數，其元信息（如函數名__name__、文檔字符串__doc__）會丟失，變成了裝飾器內部函數的元信息。@functools.wraps就是為了解決這個問題而生的。
from functools import wraps
def my_decorator(func):
@wraps(func) # 關鍵！
def wrapper(*args, **kwargs):
"""這是一個wrapper函數的文檔字符串"""
print("Something is happening before the function is called.")
result = func(*args, **kwargs)
print("Something is happening after the function is called.")
return result
return wrapper
@my_decorator
def say_hello():
"""這是一個say_hello函數的文檔字符串"""
print("Hello!")
print(say_hello.__name__) # 輸出: 'say_hello' (如果沒有@wraps，會輸出'wrapper')
print(say_hello.__doc__) # 輸出: '這是一個say_hello函數的文檔字符串'編寫裝飾器時，可嘗試使用@functools.wraps。
3. functools.lru_cache：一行代碼實現緩存
這是一個極其強大的裝飾器，它可以為函數的結果提供一個LRU（Least Recently Used，最近最少使用）緩存。對于那些計算開銷大，且同樣輸入會得到同樣輸出的純函數，lru_cache能極大地提升性能。
最經典的例子就是斐波那契數列：
from functools import lru_cache
import time
@lru_cache(maxsize=None) # maxsize=None表示緩存大小無限制
def fib(n):
if n < 2:
return n
return fib(n-1) + fib(n-2)
# 測試性能
start_time = time.time()
print(fib(40)) # 幾乎是瞬間完成
print(f"Time with cache: {time.time() - start_time:.4f}s")
# 如果沒有@lru_cache，計算fib(40)會花費數十秒甚至更久只需一行@lru_cache，就將一個指數級時間復雜度的遞歸，優化為了近乎線性的時間復雜度。
第四章：擁抱函數式思維，重塑你的代碼
掌握了工具，更重要的是轉變思維。在日常編碼中，我們可以如何應用函數式思想？
- 優先使用列表/字典推導式，而不是手寫for循環來創建新的集合。
- 多編寫小的、單一職責的純函數，然后像搭積木一樣將它們組合起來解決復雜問題。
- 盡量避免修改傳入的參數（尤其是可變類型如列表、字典），而是返回一個新的、修改后的對象。
- 對于復雜的函數調用鏈，考慮使用函數式編程風格，例如將多個操作串聯起來：
# 命令式風格
result = []
for item in data:
if condition(item):
transformed_item = transform(item)
result.append(transformed_item)
# 函數式風格
result = list(map(transform, filter(condition, data)))
# 或者更Pythonic的推導式
result = [transform(item) for item in data if condition(item)]函數式編程并非要取代面向對象編程，而是為我們提供了另一種看待和組織代碼的視角。
當你在處理數據集合，或者構建復雜的函數邏輯時，不妨嘗試用函數式的“大腦”來思考一下。或許你會發現，那些曾經冗長復雜的代碼，可以用一種驚人簡潔和優雅的方式來表達。
