第六章 函數式編程
1、函數式編程——Functional Programming,雖然也可以歸結到面向過程的程序設計,但其思想更接近數學計算。
2、函數式編程就是一種抽象程度很高的編程範式,純粹的函數式編程語言編寫的函數沒有變量,因此,任意一個函數,只要輸入是確定的,輸出就是確定的,這種純函數我們稱之爲沒有副作用。而允許使用變量的程序設計語言,由於函數內部的變量狀態不確定,同樣的輸入,可能得到不同的輸出,因此,這種函數是有副作用的。
3、函數式編程的一個特點就是,允許把函數本身作爲參數傳入另一個函數,還允許返回一個函數!
4、Python對函數式編程提供部分支持。由於Python允許使用變量,因此,Python不是純函數式編程語言。
6.1 高階函數
高階函數英文叫Higher-orderfunction。
什麼是高階函數?我們以實際代碼爲例子,一步一步深入概念。
1、變量可以指向函數
以Python內置的求絕對值的函數abs()爲例,調用該函數用以下代碼:
>>> abs(-10)
10
但是,如果只寫abs呢?
>>> abs
<built-in function abs>
可見,abs(-10)是函數調用,而abs是函數本身。
要獲得函數調用結果,我們可以把結果賦值給變量:
>>> x = abs(-10)
>>> x
10
但是,如果把函數本身賦值給變量呢?
>>> f = abs
>>> f
<built-in function abs>
【結論】:函數本身也可以賦值給變量,即:變量可以指向函數。
2、如果一個變量指向了一個函數,那麼,可否通過該變量來調用這個函數?【可以】
用代碼驗證一下:
>>> f = abs
>>> f(-10)
10
成功!說明變量f現在已經指向了abs函數本身。
直接調用abs()函數和調用變量f()完全相同。
3、函數名也是變量
那麼函數名是什麼呢?函數名其實就是指向函數的變量!對於abs()這個函數,完全可以把函數名abs看成變量,它指向一個可以計算絕對值的函數!
如果把abs指向其他對象,會有什麼情況發生?
>>> abs = 10
>>> abs(-10)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
TypeError: 'int' object is not callable
把abs指向10後,就無法通過abs(-10)調用該函數了!因爲abs這個變量已經不指向求絕對值函數而是指向一個整數10!
當然實際代碼絕對不能這麼寫,這裏是爲了說明函數名也是變量。要恢復abs函數,請重啓Python交互環境。
注:由於abs函數實際上是定義在import builtins模塊中的,所以要讓修改abs變量的指向在其它模塊也生效,要用
import builtins;
builtins.abs = 10。
4、傳入函數——高階函數
既然變量可以指向函數,函數的參數能接收變量,那麼一個函數就可以接收另一個函數作爲參數,這種函數就稱之爲高階函數。
一個最簡單的高階函數:
def add(x, y, f):
return f(x) + f(y)
當我們調用add(-5, 6, abs)時,參數x,y和f分別接收-5,6和abs,根據函數定義,我們可以推導計算過程爲:
x = -5
y = 6
f = abs
f(x) + f(y) ==> abs(-5) + abs(6) ==>11
return 11
用代碼驗證一下:
>>> add(-5, 6, abs)
11
編寫高階函數,就是讓函數的參數能夠接收別的函數。
【小結】
把函數作爲參數傳入,這樣的函數稱爲高階函數,
函數式編程就是指這種高度抽象的編程範式。
6.2map/reduce
Python內建了map()和reduce()函數。
如果你讀過Google的那篇大名鼎鼎的論文“MapReduce: Simplified Data Processing on Large Clusters”,你就能大概明白map/reduce的概念。
1、我們先看map
map()函數接收兩個參數,一個是函數,一個是Iterable,map將傳入的函數依次作用到序列的每個元素,並把結果作爲新的Iterator返回。
舉例說明,比如我們有一個函數f(x)=x2,要把這個函數作用在一個list [1, 2, 3, 4, 5, 6, 7, 8, 9]上,就可以用map()實現如下:
現在,我們用Python代碼實現:
>>> def f(x):
... return x * x
>>> r = map(f, [1, 2, 3, 4, 5, 6,7, 8, 9])
>>> list(r)
[1, 4, 9, 16, 25, 36, 49, 64, 81]
map()傳入的第一個參數是f,即函數對象本身。由於結果r是一個Iterator,Iterator是惰性序列,因此通過list()函數讓它把整個序列都計算出來並返回一個list。
你可能會想,不需要map()函數,寫一個循環,也可以計算出結果:
L = []
for n in [1, 2, 3, 4, 5, 6, 7, 8, 9]:
L.append(f(n))
print(L)
的確可以,但是,從上面的循環代碼,能一眼看明白“把f(x)作用在list的每一個元素並把結果生成一個新的list”嗎?
所以,
map()作爲高階函數,事實上它把運算規則抽象了,因此,我們不但可以計算簡單的f(x)=x2,還可以計算任意複雜的函數,比如,把這個list所有數字轉爲字符串:
>>> list(map(str, [1, 2, 3, 4, 5,6, 7, 8, 9]))
['1', '2', '3', '4', '5', '6', '7', '8','9']
只需要一行代碼。
2、再看reduce的用法
reduce把一個函數作用在一個序列[x1, x2, x3, ...]上,這個函數必須接收兩個參數,reduce把結果繼續和序列的下一個元素做累積計算,其效果就是:
reduce(f, [x1, x2, x3, x4]) = f(f(f(x1,x2), x3), x4)
比方說對一個序列求和,就可以用reduce實現:
>>> from functools import reduce
>>> def add(x, y):
... return x + y
...
>>> reduce(add, [1, 3, 5, 7, 9])
25
當然求和運算可以直接用Python內建函數sum(),沒必要動用reduce。
但是如果要把序列[1, 3, 5, 7, 9]變換成整數13579,reduce就可以派上用場:
>>> from functools import reduce
>>> def fn(x, y):
... return x * 10 + y
...
>>> reduce(fn, [1, 3, 5, 7, 9])
13579
這個例子本身沒多大用處,但是,如果考慮到字符串str也是一個序列,對上面的例子稍加改動,配合map(),我們就可以寫出把str轉換爲int的函數:
>>> from functools import reduce
>>> def fn(x, y):
... return x * 10 + y
...
>>> def char2num(s):
... return {'0': 0, '1': 1, '2': 2, '3': 3, '4': 4, '5': 5, '6': 6, '7': 7,'8': 8, '9': 9}[s]
...
>>> reduce(fn, map(char2num,'13579'))
13579
整理成一個str2int的函數就是:
from functools import reduce
def str2int(s):
def fn(x, y):
return x * 10 + y
def char2num(s):
return {'0': 0, '1': 1, '2': 2, '3': 3, '4': 4, '5': 5, '6': 6, '7': 7,'8': 8, '9': 9}[s]
return reduce(fn, map(char2num, s))
還可以用lambda函數進一步簡化成:
from functools import reduce
def char2num(s):
return {'0': 0, '1': 1, '2': 2, '3': 3, '4': 4, '5': 5, '6': 6, '7': 7,'8': 8, '9': 9}[s]
def str2int(s):
return reduce(lambda x, y: x * 10 + y, map(char2num, s))
也就是說,假設Python沒有提供int()函數,你完全可以自己寫一個把字符串轉化爲整數的函數,而且只需要幾行代碼!
lambda函數的用法在後面介紹。
【練習】
1、 利用map()函數,把用戶輸入的不規範的英文名字,變爲首字母大寫,其他小寫的規範名字。輸入:['adam','LISA', 'barT'],輸出:['Adam', 'Lisa', 'Bart']:
def normalize(name):
name= name[0].upper()+name[1:].lower()
returnname
L1= ['adam','LISTA','bar']
L2= list(map(normalize,L1))
print(L2)
2、 Python提供的sum()函數可以接受一個list並求和,請編寫一個prod()函數,可以接受一個list並利用reduce()求積:
一種方法:
from functools import reduce
def mul(x,y):
returnx*y
def prod(L):
returnreduce(mul,L)
更爲簡潔的一種方法:使用lambda
from functools import reduce
def prod(L):
returnreduce(lambda x,y:x*y,L)
6.3filter
1、Python內建的filter()函數用於過濾序列。
和map()類似,filter()也接收一個函數和一個序列。和map()不同的是,filter()把傳入的函數依次作用於每個元素,然後根據返回值是True還是False決定保留還是丟棄該元素。
例如,在一個list中,刪掉偶數,只保留奇數,可以這麼寫:
def is_odd(n):
return n % 2 == 1
list(filter(is_odd, [1, 2, 4, 5, 6, 9, 10,15]))
# 結果: [1, 5, 9, 15]
把一個序列中的空字符串刪掉,可以這麼寫:
def not_empty(s):
return s and s.strip()
list(filter(not_empty, ['A', '', 'B', None,'C', ' ']))
# 結果: ['A', 'B', 'C']
可見用filter()這個高階函數,關鍵在於正確實現一個“篩選”函數。
注意到filter()函數返回的是一個Iterator,也就是一個惰性序列,所以要強迫filter()完成計算結果,需要用list()函數獲得所有結果並返回list。
2、用filter求素數
計算素數的一個方法是埃氏篩法,它的算法理解起來非常簡單:
首先,列出從2開始的所有自然數,構造一個序列:
2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14,15, 16, 17, 18, 19, 20, ...
取序列的第一個數2,它一定是素數,然後用2把序列的2的倍數篩掉:
3, 4, 5, 6, 7, 8, 9, 10,11,
12, 13, 14, 15, 16, 17, 18, 19,
20, ...
取新序列的第一個數3,它一定是素數,然後用3把序列的3的倍數篩掉:
5, 6, 7, 8, 9, 10, 11,12, 13, 14,
15, 16, 17, 18, 19, 20, ...
取新序列的第一個數5,然後用5把序列的5的倍數篩掉:
7, 8, 9, 10, 11, 12,13, 14, 15, 16, 17,
18, 19, 20, ...
不斷篩下去,就可以得到所有的素數。
用Python來實現這個算法,可以先構造一個從3開始的奇數序列:
def _odd_iter():
n= 1
while True:
n = n + 2
yield n
注意這是一個生成器,並且是一個無限序列。
然後定義一個篩選函數:
def _not_divisible(n):
return lambda x: x % n > 0
最後,定義一個生成器,不斷返回下一個素數:
def primes():
yield 2
it = _odd_iter() # 初始序列
while True:
n = next(it) # 返回序列的第一個數
yield n
it = filter(_not_divisible(n), it) # 構造新序列
這個生成器先返回第一個素數2,然後,利用filter()不斷產生篩選後的新的序列。
由於primes()也是一個無限序列,所以調用時需要設置一個退出循環的條件:
# 打印1000以內的素數:
for n in primes():
if n < 1000:
print(n)
else:
break
注意到Iterator是惰性計算的序列,所以我們可以用Python表示“全體自然數”,“全體素數”這樣的序列,而代碼非常簡潔。
【練習】
回數是指從左向右讀和從右向左讀都是一樣的數,例如12321,909。請利用filter()濾掉非回數:
網友寫的最簡單的方法:
def is_palindrome(n):
returnstr(n)==str(n)[::-1]
自己寫了一個,爲什麼數據(n>2000)一大就不行了呢???
def is_palindrome(n):
s =str(n)
fori in range(int(len(s)/2)):
ifs[i] == s[len(s)-1-i]:
returnTrue
else:
returnFalse
output = filter( is_palindrome,range(1,1000) )
print(list(output))
# 測試:
output = filter(is_palindrome, range(1,1000))
print(list(output))
Run
【小結】
(1) filter()的作用是從一個序列中篩出符合條件的元素。
(2) 由於filter()使用了惰性計算,所以只有在取filter()結果的時候,纔會真正篩選並每次返回下一個篩出的元素。
6.4sorted排序算法
1、排序也是在程序中經常用到的算法。無論使用冒泡排序還是快速排序,排序的核心是比較兩個元素的大小。如果是數字,我們可以直接比較,但如果是字符串或者兩個dict呢?直接比較數學上的大小是沒有意義的,因此,比較的過程必須通過函數抽象出來。
2、Python內置的sorted()函數就可以對list進行排序:
>>> sorted([36, 5, -12, 9, -21])
[-21, -12, 5, 9, 36]
3、此外,sorted()函數也是一個高階函數,它還可以接收一個key函數來實現自定義的排序,例如按絕對值大小排序:
>>> sorted([36, 5, -12, 9, -21],key=abs)
[5, 9, -12, -21, 36]
key指定的函數將作用於list的每一個元素上,並根據key函數返回的結果進行排序。
對比原始的list和經過key=abs處理過的list:
list = [36, 5, -12, 9, -21]
keys = [36, 5, 12, 9, 21]
然後sorted()函數按照keys進行排序,並按照對應關係返回list相應的元素:
keys排序結果 => [5, 9, 12, 21, 36]
| | | | |
最終結果 => [5, 9, -12, -21, 36]
4、我們再看一個字符串排序的例子:
>>> sorted(['bob', 'about', 'Zoo','Credit'])
['Credit', 'Zoo', 'about', 'bob']
默認情況下,對字符串排序,是按照ASCII的大小比較的,由於'Z' < 'a',結果,大寫字母Z會排在小寫字母a的前面。
現在,我們提出排序應該忽略大小寫,按照字母序排序。要實現這個算法,不必對現有代碼大加改動,只要我們能用一個key函數把字符串映射爲忽略大小寫排序即可。忽略大小寫來比較兩個字符串,實際上就是先把字符串都變成大寫(或者都變成小寫),再比較。
這樣,我們給sorted傳入key函數,即可實現忽略大小寫的排序:
>>> sorted(['bob', 'about', 'Zoo','Credit'], key=str.lower)
['about', 'bob', 'Credit', 'Zoo']
要進行反向排序,不必改動key函數,可以傳入第三個參數reverse=True:
>>> sorted(['bob', 'about', 'Zoo','Credit'], key=str.lower, reverse=True)
['Zoo', 'Credit', 'bob', 'about']
從上述例子可以看出,高階函數的抽象能力是非常強大的,而且,核心代碼可以保持得非常簡潔。
【小結】
sorted()也是一個高階函數。用sorted()排序的關鍵在於實現一個映射函數。
練習
假設我們用一組tuple表示學生名字和成績:
L = [('Bob', 75), ('Adam', 92), ('Bart',66), ('Lisa', 88)]
請用sorted()對上述列表分別按名字排序:
# -*- coding: utf-8 -*-
L = [('Bob', 75), ('Adam', 92), ('Bart',66), ('Lisa', 88)]
6.5 返回函數
1、函數作爲返回值
高階函數除了可以接受函數作爲參數外,還可以把函數作爲結果值返回。
我們來實現一個可變參數的求和。通常情況下,求和的函數是這樣定義的:
def calc_sum(*args):
ax = 0
for n in args:
ax = ax + n
return ax
但是,如果不需要立刻求和,而是在後面的代碼中,根據需要再計算怎麼辦?可以不返回求和的結果,而是返回求和的函數:
def lazy_sum(*args):
def sum():
ax = 0
for n in args:
ax = ax + n
return ax
return sum
當我們調用lazy_sum()時,返回的並不是求和結果,而是求和函數:
>>> f = lazy_sum(1, 3, 5, 7, 9)
>>> f
<function lazy_sum.<locals>.sum at0x101c6ed90>
調用函數f時,才真正計算求和的結果:
>>> f()
25
在這個例子中,我們在函數lazy_sum中又定義了函數sum,並且,內部函數sum可以引用外部函數lazy_sum的參數和局部變量,當lazy_sum返回函數sum時,相關參數和變量都保存在返回的函數中,這種稱爲“閉包(Closure)”的程序結構擁有極大的威力。
請再注意一點,當我們調用lazy_sum()時,每次調用都會返回一個新的函數,即使傳入相同的參數:
>>> f1 = lazy_sum(1, 3, 5, 7, 9)
>>> f2 = lazy_sum(1, 3, 5, 7, 9)
>>> f1==f2
False
f1()和f2()的調用結果互不影響。
2、閉包
注意到返回的函數在其定義內部引用了局部變量args,所以,當一個函數返回了一個函數後,其內部的局部變量還被新函數引用,所以,閉包用起來簡單,實現起來可不容易。
另一個需要注意的問題是,返回的函數並沒有立刻執行,而是直到調用了f()才執行。我們來看一個例子:
def count():
fs = []
for i in range(1, 4):
def f():
return i*i
fs.append(f)
return fs
f1, f2, f3 = count()
在上面的例子中,每次循環,都創建了一個新的函數,然後,把創建的3個函數都返回了。
你可能認爲調用f1(),f2()和f3()結果應該是1,4,9,但實際結果是:
>>> f1()
9
>>> f2()
9
>>> f3()
9
全部都是9!原因就在於返回的函數引用了變量i,但它並非立刻執行。等到3個函數都返回時,它們所引用的變量i已經變成了3,因此最終結果爲9。
返回閉包時牢記的一點就是:返回函數不要引用任何循環變量,或者後續會發生變化的變量。
如果一定要引用循環變量怎麼辦?方法是再創建一個函數,用該函數的參數綁定循環變量當前的值,無論該循環變量後續如何更改,已綁定到函數參數的值不變:
def count():
def f(j):
def g():
return j*j
return g
fs = []
for i in range(1, 4):
fs.append(f(i)) # f(i)立刻被執行,因此i的當前值被傳入f()
return fs
再看看結果:
>>> f1, f2, f3 = count()
>>> f1()
1
>>> f2()
4
>>> f3()
9
缺點是代碼較長,可利用lambda函數縮短代碼。
【小結】
(1) 一個函數可以返回一個計算結果,也可以返回一個函數。
(2) 返回一個函數時,牢記該函數並未執行,返回函數中不要引用任何可能會變化的變量。
6.6匿名函數(主要是lambda函數)
1、當我們在傳入函數時,有些時候,不需要顯式地定義函數,直接傳入匿名函數更方便。
在Python中,對匿名函數提供了有限支持。還是以map()函數爲例,計算f(x)=x2時,除了定義一個f(x)的函數外,還可以直接傳入匿名函數:
>>> list(map(lambda x: x * x, [1,2, 3, 4, 5, 6, 7, 8, 9]))
[1, 4, 9, 16, 25, 36, 49, 64, 81]
通過對比可以看出,匿名函數lambda x: x * x實際上就是:
def f(x):
return x * x
關鍵字lambda表示匿名函數,冒號前面的x表示函數參數。
2、匿名函數有個限制,就是只能有一個表達式,不用寫return,返回值就是該表達式的結果。
3、用匿名函數有個好處,因爲函數沒有名字,不必擔心函數名衝突。此外,匿名函數也是一個函數對象,也可以把匿名函數賦值給一個變量,再利用變量來調用該函數:
>>> f = lambda x: x * x
>>> f
<function <lambda> at0x101c6ef28>
>>> f(5)
25
同樣,也可以把匿名函數作爲返回值返回,比如:
def build(x, y):
return lambda: x * x + y * y
【小結】
Python對匿名函數的支持有限,只有一些簡單的情況下可以使用匿名函數——lambda函數。
6.7 裝飾器
1、由於函數也是一個對象,而且函數對象可以被賦值給變量,所以,通過變量也能調用該函數。
>>> def now():
... print('2015-3-25')
>>> f = now
>>> f()
2015-3-25
函數對象有一個__name__屬性,可以拿到函數的名字:
>>> now.__name__
'now'
>>> f.__name__
'now'
現在,假設我們要增強now()函數的功能,比如,在函數調用前後自動打印日誌,但又不希望修改now()函數的定義,
2、這種在代碼運行期間動態增加功能的方式,稱之爲“裝飾器”(Decorator)。
本質上,decorator就是一個返回函數的高階函數。(高階函數,就是讓函數的參數能夠接收別的函數。)所以,我們要定義一個能打印日誌的decorator,可以定義如下:
def log(func):
def wrapper(*args, **kw):
print('call %s():' % func.__name__)
return func(*args, **kw)
return wrapper
觀察上面的log,因爲它是一個decorator,所以接受一個函數作爲參數,並返回一個函數。我們要藉助Python的@語法,把decorator置於函數的定義處:
@log
def now():
print('2015-3-25')
調用now()函數,不僅會運行now()函數本身,還會在運行now()函數前打印一行日誌:
>>> now()
call now():
2015-3-25
把@log放到now()函數的定義處,相當於執行了語句:
now = log(now)
由於log()是一個decorator,返回一個函數,所以,原來的now()函數仍然存在,只是現在同名的now變量指向了新的函數,於是調用now()將執行新函數,即在log()函數中返回的wrapper()函數。
wrapper()函數的參數定義是(*args, **kw),因此,wrapper()函數可以接受任意參數的調用。在wrapper()函數內,首先打印日誌,再緊接着調用原始函數。
3、如果decorator本身需要傳入參數,那就需要編寫一個返回decorator的高階函數,寫出來會更復雜。比如,要自定義log的文本:
def log(text):
def decorator(func):
def wrapper(*args, **kw):
print('%s %s():' % (text, func.__name__))
return func(*args, **kw)
return wrapper
return decorator
這個3層嵌套的decorator用法如下:
@log('execute')
def now():
print('2015-3-25')
執行結果如下:
>>> now()
execute now():
2015-3-25
和兩層嵌套的decorator相比,3層嵌套的效果是這樣的:
>>> now = log('execute')(now)
我們來剖析上面的語句,首先執行log('execute'),返回的是decorator函數,再調用返回的函數,參數是now函數,返回值最終是wrapper函數。
以上兩種decorator的定義都沒有問題,但還差最後一步。因爲我們講了函數也是對象,它有__name__等屬性,但你去看經過decorator裝飾之後的函數,它們的__name__已經從原來的'now'變成了'wrapper':
>>> now.__name__
'wrapper'
因爲返回的那個wrapper()函數名字就是'wrapper',所以,需要把原始函數的__name__等屬性複製到wrapper()函數中,否則,有些依賴函數簽名的代碼執行就會出錯。
不需要編寫wrapper.__name__ =func.__name__這樣的代碼,Python內置的functools.wraps就是幹這個事的,
( functools.wraps,文檔描敘This is aconvenience function forinvoking partial(update_wrapper, wrapped=wrapped,assigned=assigned, updated=updated) asa function decorator when defining a wrapper function.
其實也就是相當於在調用了partial,使用wraps可以把整個function的屬性都帶上。)所以,一個完整的decorator的寫法如下:
import functools
def log(func):
@functools.wraps(func)
def wrapper(*args, **kw):
print('call %s():' % func.__name__)
return func(*args, **kw)
return wrapper
或者針對帶參數的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是導入functools模塊。模塊的概念稍候講解。現在,只需記住在定義wrapper()的前面加上@functools.wraps(func)即可。
【小結】
(1) 在面向對象(OOP)的設計模式中,decorator被稱爲裝飾模式。OOP的裝飾模式需要通過繼承和組合來實現,而Python除了能支持OOP的decorator外,直接從語法層次支持decorator。
(2) python的decorator可以用函數實現,也可以用類實現。
(3) decorator可以增強函數的功能,定義起來雖然有點複雜,但使用起來非常靈活和方便。
6.8偏函數
1、Python的functools模塊提供了很多有用的功能,其中一個就是偏函數(Partial function)。要注意,這裏的偏函數和數學意義上的偏函數不一樣。
2、在介紹函數參數的時候,我們講到,通過設定參數的默認值,可以降低函數調用的難度。而偏函數也可以做到這一點。舉例如下:
int()函數可以把字符串轉換爲整數,當僅傳入字符串時,int()函數默認按十進制轉換:
>>> int('12345')
12345
但int()函數還提供額外的base參數,默認值爲10。如果傳入base參數,就可以做N進制的轉換:
>>> int('12345', base=8)
5349
>>> int('12345', 16)
74565
假設要轉換大量的二進制字符串,每次都傳入int(x,base=2)非常麻煩,於是,我們想到,可以定義一個int2()的函數,默認把base=2傳進去:
def int2(x, base=2):
return int(x, base)
這樣,我們轉換二進制就非常方便了:
>>> int2('1000000')
64
>>> int2('1010101')
85
3、functools.partial就是幫助我們創建一個偏函數的,不需要我們自己定義int2(),可以直接使用下面的代碼創建一個新的函數int2:
>>> import functools
>>> int2 = functools.partial(int,base=2)
>>> int2('1000000')
64
>>> int2('1010101')
85
所以,簡單總結functools.partial的作用就是,把一個函數的某些參數給固定住(也就是設置默認值),返回一個新的函數,調用這個新函數會更簡單。
注意到上面的新的int2函數,僅僅是把base參數重新設定默認值爲2,但也可以在函數調用時傳入其他值:
>>> int2('1000000', base=10)
1000000
最後,創建偏函數時,實際上可以接收函數對象、*args和**kw這3個參數,當傳入:
int2 = functools.partial(int, base=2)
實際上固定了int()函數的關鍵字參數base,也就是:
int2('10010')
相當於:
kw = { 'base': 2 }
int('10010', **kw)
當傳入:
max2 = functools.partial(max, 10)
實際上會把10作爲*args的一部分自動加到左邊,也就是:
max2(5, 6, 7)
相當於:
args = (10, 5, 6, 7)
max(*args)
結果爲10。
【小結】
當函數的參數個數太多,需要簡化時,使用functools.partial可以創建一個新的函數,這個新函數可以固定住原函數的部分參數,從而在調用時更簡單。