利用Fn.py库在Python中进行函数式编程

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Michael O.Church在他的文章"函数式程序极少腐坏（Functional programs rarely rot）"中对函数式编程的优点所作的描述。我在PyCon UA 2012期间的讲座"Functional Programming with Python"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(lambda x: x*2, [1,2,3])

Scala

复制代码 代码如下:

List(1,2,3).map(_*2)

Clojure

复制代码 代码如下:

(map #(* % 2) '(1 2 3))

Haskell

复制代码 代码如下:

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。

    from fn import _

    assert (_ + _)(10, 5) = 15
    assert list(map(_ * 2, range(5))) == [0,2,4,6,8]
    assert list(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：

    from fn import _ 

    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

复制代码 代码如下:

fibs = 0 : 1 : zipWith (+) fibs (tail fibs)

Clojure

复制代码 代码如下:

(def fib (lazy-cat [0 1] (map + fib (rest fib))))

Scala

复制代码 代码如下:

def fibs: 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：

    from fn import Stream 
    from fn.iters import take, drop, map
    from operator import add

    f = Stream()
    fib = f << [0, 1] << map(add, f, drop(1, f))

    assert list(take(10, fib)) == [0,1,1,2,3,5,8,13,21,34]
    assert fib[20] == 6765
    assert list(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：

    def fact(n):
       if n == 0: return 1
       return n * 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：

    >>> import sys
    >>> fact(sys.getrecursionlimit() * 2)
    ... many many lines of stacktrace ...
    RuntimeError: maximum recursion depth exceeded

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：

    def fact(n, acc=1):
       if n == 0: return acc
       return fact(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。

    from fn import recur

    @recur.tco 
    def fact(n, acc=1):
       if n == 0: return False, acc
       return True, (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：

    class Request(dict):
       def parameter(self, name):
         return self.get(name, None)

    r = Request(testing="Fixed", empty=" ")
    param = r.parameter("testing")
    if param is None:
       fixed = ""
    else:   
       param = param.strip()
       if len(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。

    from operator import methodcaller
    from fn.monad import optionable

    class Request(dict):
       @optionable
       def parameter(self, name):
         return self.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"：

    from fn.monad import Option 

    request = dict(url="face.png", mimetype="PNG") 
    tp = Option \ 
         .from_value(request.get("type", None)) \ # check "type" key first 
         .or_call(from_mimetype, request) \ # or.. check "mimetype" key 
         .or_call(from_extension, request) \ # or... get "url" and check extension 
         .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Python 2和Python 3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lambda arg1: lambda arg2:…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