今天和大家聊聊 Python 的函数式编程特性。所谓函数式编程，就是指代码中每一块都是不可变的（immutable），都是由 pure function 的形式组成。这里的 pure function 是指函数本身相互独立，互不影响，对于相同的输入，总会有相同的输出。也就是我们常说的没有副作用。举个很简单的例子，比如，对于一个列表，我想让列表中的元素值都变为原来的两倍，我们可以写成下面的形式：\

def multiply_2(l):`` for index in range(0, len(l)):`` l[index] *= 2`` return l
精彩皇家国际：www.lanshiliu.com
这就不是一个 pure function，因为列表中元素的值被改变了，如果我调用 multiply_2() 这个函数多次，那么每次得到的结果都不一样。要想让其成为一个pure function，就得写成下面的形式，重新创建一个新的列表并返回。

def multiply_2_pure(l):`` new_list = []``  for item in l:`` new_list.append(item * 2)``  return new_list

函数式编程的优点主要在于其 pure function 和不可变的特性使得程序更加健壮，易于 debug 和测试，缺点主要在于限制多，难写。当然 Python 不同于其他一些语言，比如 Scala，他并不是一门纯粹的函数式编程语言，但是 Python 也提供了一些函数式编程的特性，值得我们了解和学习。

Python 主要提供了这么几个函数 Map, Filter 和 Reduce，通常结合匿名函数 lambda 一起使用，我逐一介绍一下：

对于 Map(function, iterable) 函数，前面的例子提过，他表示对 iterable 中的每个元素运用 function 这个函数，最后返回一个新的可遍历的集合，比如上面对列表中每个元素乘2用map可以表示为

l = [1, 2, 3, 4, 5]``new_list = map(lambda x: x * 2, l) # [2， 4， 6， 8， 10]

我们再来看一下 Python 提供的函数式编程的接口的性能，就以 Map 为例，上述的例子还可以用 for 循环和 list comprehension 实现，我们来比较一下他们的速度：

python3 -mtimeit -s’xs=range(1000000)' 'map(lambda x: x*2, xs)'输出结果：2000000 loops, best of 5: 171 nsec per looppython3 -mtimeit -s’xs=range(1000000)' '[x * 2 for x in xs]'输出结果：5 loops, best of 5: 62.9 msec per looppython3 -mtimeit -s’xs=range(1000000)’ 'l = []' 'for i in xs: l.append(i * 2)'输出结果：5 loops, best of 5: 92.7 msec per loop

可以看到 map 是最快的，因为 map 函数是直接由 C 语言写的，运行时不需要通过 Python 解释器间接调用，因此运行速度最快。

对于 Filter(function, iterable) 函数，和 map 函数类似，function 同样表示一个函数对象，表示对 iterable 中的每个元素使用 function 判断，返回 True 或者 False，最后将返回 True 的元素组成一个新的可遍历的集合，比如我要返回一个列表中的所有偶数，可以写成

l = [1, 2, 3, 4, 5]``new_list = filter(lambda x: x % 2 == 0, l) # [2, 4]

对于 Reduce(function, iterable) 函数，通常用于对一个集合做一些累积操作。function 同样是一个函数对象，规定他有两个参数，表示对 iterable 中的每个元素以及上一次调用后的结果运用 function 进行计算，因此最后返回的是一个单独的数值，比如，我想要计算列表元素的乘积，可以表示为：

l = [1, 2, 3, 4, 5]``product = reduce(lambda x, y: x * y, l) # 1*2*3*4*5 = 120

类似的，Filter，Reduce 的功能也可以用 for 循环或者 list comprehension 来实现，但是速度都不如 Filter 或者 Reduce。

通常来说，如果你想对一个集合中的元素进行一些操作，如果是一些非常简单的操作，比如相加，累积，那么我们优先考虑 Map、Filter、Reduce 或者 list comprehension 的形式。

在这两者之中，如果数据量非常大，比如机器学习的应用，那我们一般更倾向于函数式编程的表示，因为效率更高，如果数据量不多，并且你想要自己的程序更加 Pythonic（Python 化），那么运用 list comprehension 的情况也是很常见的。如果你要对集合中的元素做一些比较复杂的操作，考虑到代码的可读性，这时我们通常会使用 for 循环，因为更加清晰明了。