Руководство по функциональному программированию

Введение

В этом разделе объясняется основная концепция функционального программирования. Если вас интересуют только возможности языка Python, перейдите к следующему разделу об итераторах.

Языки программирования поддерживают несколько разных способов декомпозиции задач:

• Большинство языков программирования являются процедурными: программы представляют собой списки инструкций, указывающих компьютеру, что делать с входными данными программы. C, Pascal и даже оболочки Unix — процедурные языки.
• В декларативных языках вы пишете спецификацию, описывающую задачу, которую нужно решить, а реализация языка определяет, как эффективно выполнить вычисления. SQL — наиболее знакомый вам декларативный язык: SQL-запрос описывает набор данных, который нужно получить, а движок SQL решает, сканировать ли таблицы или использовать индексы, какие подзапросы выполнять в первую очередь и т. д.
• Объектно-ориентированные программы работают с коллекциями объектов. Объекты имеют внутреннее состояние и поддерживают методы, которые так или иначе запрашивают или изменяют это состояние. Smalltalk и Java — объектно-ориентированные языки. C++ и Python поддерживают объектно-ориентированное программирование, но не требуют использования объектно-ориентированных возможностей.
• Функциональное программирование декомпозирует задачу на набор функций. В идеале функции только принимают входные данные и выдают результат, не имея внутреннего состояния, влияющего на результат для заданных входных данных. К известным функциональным языкам относятся языки семейства ML (Standard ML, OCaml и другие варианты) и Haskell.

Создатели некоторых языков программирования выбирают один конкретный подход к программированию и делают на нём акцент. Из-за этого часто бывает сложно писать программы с использованием другого подхода. Другие языки являются многопарадигменными и поддерживают несколько разных подходов. Lisp, C++ и Python — многопарадигменные языки: на каждом из них можно писать преимущественно процедурные, объектно-ориентированные или функциональные программы и библиотеки. В большой программе разные части могут быть написаны с использованием разных подходов: например, графический интерфейс может быть объектно-ориентированным, а логика обработки — процедурной или функциональной.

В функциональной программе входные данные проходят через набор функций. Каждая функция обрабатывает свои входные данные и выдаёт результат. Функциональный стиль не поощряет функции с побочными эффектами, изменяющие внутреннее состояние или вносящие другие изменения, не отражённые в возвращаемом значении функции. Функции, вовсе не имеющие побочных эффектов, называются чистыми. Чтобы избежать побочных эффектов, не следует использовать структуры данных, которые изменяются во время выполнения программы; результат каждой функции должен зависеть только от её входных данных.

Некоторые языки очень строго требуют чистоты и даже не поддерживают операторы присваивания, такие как a=3 или c = a + b, однако сложно избежать всех побочных эффектов, например вывода на экран или записи в файл на диске. Другой пример — вызов функции print() или time.sleep(), ни одна из которых не возвращает полезного значения. Обе функции вызываются только ради побочных эффектов: вывода текста на экран или приостановки выполнения на секунду.

Программы на Python, написанные в функциональном стиле, обычно не доходят до крайности, полностью избегая операций ввода-вывода и присваиваний. Вместо этого они предоставляют интерфейс, похожий на функциональный, но внутри используют нефункциональные возможности. Например, реализация функции по-прежнему может присваивать значения локальным переменным, но не изменять глобальные переменные и не иметь других побочных эффектов.

Функциональное программирование можно считать противоположностью объектно-ориентированного программирования. Объекты — это небольшие капсулы с внутренним состоянием и набором вызовов методов, позволяющих изменять это состояние, а программы состоят из правильного набора изменений состояния. Функциональное программирование стремится как можно больше избегать изменений состояния и работает с данными, передаваемыми между функциями. В Python можно сочетать оба подхода, написав функции, которые принимают и возвращают экземпляры, представляющие объекты вашего приложения (электронные письма, транзакции и т. д.).

Функциональный подход может показаться странным ограничением. Зачем избегать объектов и побочных эффектов? Функциональный стиль обладает теоретическими и практическими преимуществами:

• Формальная доказуемость.
• Модульность.
• Композиционность.
• Простота отладки и тестирования.

Итераторы

Начну с рассмотрения одной из возможностей языка Python, которая служит важной основой для написания программ в функциональном стиле: итераторов.

Итератор — это объект, представляющий поток данных; он возвращает данные по одному элементу за раз. Итератор Python должен поддерживать метод __next__(), который не принимает аргументов и всегда возвращает следующий элемент потока. Если в потоке больше нет элементов, __next__() должен вызвать исключение StopIteration. Однако итераторы не обязательно должны быть конечными: вполне допустимо написать итератор, который выдаёт бесконечный поток данных.

Встроенная функция iter() принимает произвольный объект и пытается вернуть итератор, который будет возвращать содержимое или элементы этого объекта. Если объект не поддерживает итерацию, вызывается исключение TypeError. Некоторые встроенные типы данных Python поддерживают итерацию; наиболее распространённые из них — списки и словари. Объект называется итерируемым, если для него можно получить итератор.

Можно вручную поэкспериментировать с интерфейсом итерации:

>>> L = [1, 2, 3]
>>> it = iter(L)
>>> it
<...iterator object at ...>
>>> it.__next__()  # same as next(it)
1
>>> next(it)
2
>>> next(it)
3
>>> next(it)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration
>>>

Python ожидает итерируемые объекты в нескольких контекстах; наиболее важный из них — инструкция for. В инструкции for X in Y объект Y должен быть итератором или объектом, для которого iter() может создать итератор. Следующие две инструкции эквивалентны:

for i in iter(obj):
    print(i)

for i in obj:
    print(i)

Итераторы можно преобразовать в списки или кортежи с помощью конструкторов list() или tuple():

>>> L = [1, 2, 3]
>>> iterator = iter(L)
>>> t = tuple(iterator)
>>> t
(1, 2, 3)

Распаковка последовательностей также поддерживает итераторы: если известно, что итератор вернёт N элементов, их можно распаковать в кортеж из N элементов:

>>> L = [1, 2, 3]
>>> iterator = iter(L)
>>> a, b, c = iterator
>>> a, b, c
(1, 2, 3)

Встроенные функции, такие как max() и min(), могут принимать один аргумент-итератор и возвращать наибольший или наименьший элемент. Операторы "in" и "not in" тоже поддерживают итераторы: X in iterator имеет значение True, если X найден в потоке, возвращаемом итератором. Если итератор бесконечен, возникнут очевидные проблемы: max(), min() никогда не вернётся, а если элемент X никогда не появится в потоке, то операторы "in" и "not in" тоже не вернут управление.

Обратите внимание, что в итераторе можно двигаться только вперёд: нельзя получить предыдущий элемент, сбросить итератор или создать его копию. Объекты-итераторы могут дополнительно предоставлять такие возможности, но протокол итератора определяет только метод __next__(). Поэтому функции могут потребить весь вывод итератора; если нужно по-другому обработать тот же поток, придётся создать новый итератор.

>>> m = {'Jan': 1, 'Feb': 2, 'Mar': 3, 'Apr': 4, 'May': 5, 'Jun': 6,
...      'Jul': 7, 'Aug': 8, 'Sep': 9, 'Oct': 10, 'Nov': 11, 'Dec': 12}
>>> for key in m:
...     print(key, m[key])
Jan 1
Feb 2
Mar 3
Apr 4
May 5
Jun 6
Jul 7
Aug 8
Sep 9
Oct 10
Nov 11
Dec 12

>>> L = [('Italy', 'Rome'), ('France', 'Paris'), ('US', 'Washington DC')]
>>> dict(iter(L))
{'Italy': 'Rome', 'France': 'Paris', 'US': 'Washington DC'}

for line in file:
    # do something for each line
    ...

>>> S = {2, 3, 5, 7, 11, 13}
>>> for i in S:
...     print(i)
2
3
5
7
11
13

Генераторные выражения и включения списков

Две распространённые операции над результатами итератора: 1) выполнить операцию для каждого элемента; 2) выбрать подмножество элементов, удовлетворяющих некоторому условию. Например, если у вас есть список строк, можно удалить конечные пробелы в каждой строке или извлечь все строки, содержащие заданную подстроку.

Включения списков и генераторные выражения (кратко: «listcomps» и «genexps») — это краткая запись таких операций, заимствованная из функционального языка программирования Haskell (https://www.haskell.org/). Чтобы удалить все пробелы из потока строк, можно использовать следующий код:

>>> line_list = ['  line 1\n', 'line 2  \n', ' \n', '']

>>> # Generator expression -- returns iterator
>>> stripped_iter = (line.strip() for line in line_list)

>>> # List comprehension -- returns list
>>> stripped_list = [line.strip() for line in line_list]

Чтобы выбрать только определённые элементы, добавьте условие "if":

>>> stripped_list = [line.strip() for line in line_list
...                  if line != ""]

Включение списка возвращает список Python; stripped_list — это список с получившимися строками, а не итератор. Генераторные выражения возвращают итератор, который вычисляет значения по мере необходимости и не требует сразу создавать все значения. Поэтому включения списков бесполезны при работе с итераторами, возвращающими бесконечный поток или очень большой объём данных. В таких ситуациях лучше использовать генераторные выражения.

Генераторные выражения заключаются в круглые скобки («()»), а включения списков — в квадратные («[]»). Генераторное выражение имеет следующий вид:

( expression for expr in sequence1
             if condition1
             for expr2 in sequence2
             if condition2
             for expr3 in sequence3
             ...
             if condition3
             for exprN in sequenceN
             if conditionN )

Для включения списка отличается только пара внешних скобок: используются квадратные скобки вместо круглых.

Элементы созданного результата будут последовательными значениями expression. Все части if необязательны; если они присутствуют, expression вычисляется и добавляется в результат только при истинности condition.

Генераторные выражения всегда нужно записывать в круглых скобках, но скобки при вызове функции тоже подходят. Если вы хотите создать итератор, который сразу будет передан функции, можно написать:

obj_total = sum(obj.count for obj in list_all_objects())

Части for...in содержат последовательности, по которым нужно выполнить перебор. Последовательности не обязаны иметь одинаковую длину, поскольку перебор выполняется слева направо, а не параллельно. Для каждого элемента в sequence1 перебор sequence2 начинается сначала. Затем sequence3 перебирается для каждой получившейся пары элементов из sequence1 и sequence2.

Другими словами, включение списка или генераторное выражение эквивалентно следующему коду Python:

for expr1 in sequence1:
    if not (condition1):
        continue   # Skip this element
    for expr2 in sequence2:
        if not (condition2):
            continue   # Skip this element
        ...
        for exprN in sequenceN:
            if not (conditionN):
                continue   # Skip this element

            # Output the value of
            # the expression.

Это означает, что при наличии нескольких частей for...in и отсутствии частей if длина результата будет равна произведению длин всех последовательностей. Если есть два списка длиной 3, результирующий список будет содержать 9 элементов:

>>> seq1 = 'abc'
>>> seq2 = (1, 2, 3)
>>> [(x, y) for x in seq1 for y in seq2]
[('a', 1), ('a', 2), ('a', 3),
 ('b', 1), ('b', 2), ('b', 3),
 ('c', 1), ('c', 2), ('c', 3)]

Чтобы не вносить неоднозначность в грамматику Python, если expression создаёт кортеж, его нужно заключать в скобки. Первое включение списка ниже вызовет синтаксическую ошибку, а второе записано правильно:

# Syntax error
[x, y for x in seq1 for y in seq2]
# Correct
[(x, y) for x in seq1 for y in seq2]

Генераторы

Генераторы — это особый класс функций, упрощающий написание итераторов. Обычные функции вычисляют значение и возвращают его, а генераторы возвращают итератор, который выдаёт поток значений.

Вы, несомненно, знакомы с тем, как работают вызовы обычных функций в Python или C. При вызове функции ей выделяется отдельное пространство имён, в котором создаются локальные переменные. Когда функция доходит до инструкции return, локальные переменные уничтожаются, а значение возвращается вызывающему коду. При следующем вызове той же функции создаётся новое отдельное пространство имён и новый набор локальных переменных. Но что, если бы локальные переменные не удалялись при выходе из функции? Что, если бы позже можно было продолжить выполнение функции с того места, на котором она остановилась? Именно это обеспечивают генераторы: их можно считать функциями, выполнение которых можно возобновить.

Вот простейший пример функции-генератора:

>>> def generate_ints(N):
...    for i in range(N):
...        yield i

Любая функция, содержащая ключевое слово yield, является функцией-генератором. Компилятор байт-кода Python распознаёт такие функции и компилирует их особым образом.

При вызове функции-генератора она не возвращает одно значение, а возвращает объект-генератор, поддерживающий протокол итератора. При выполнении выражения yield генератор выдаёт значение i, подобно инструкции return. Главное отличие yield от инструкции return заключается в том, что при достижении yield выполнение генератора приостанавливается, а локальные переменные сохраняются. При следующем вызове метода __next__() генератора выполнение функции продолжится.

Вот пример использования генератора generate_ints():

>>> gen = generate_ints(3)
>>> gen
<generator object generate_ints at ...>
>>> next(gen)
0
>>> next(gen)
1
>>> next(gen)
2
>>> next(gen)
Traceback (most recent call last):
  File "stdin", line 1, in <module>
  File "stdin", line 2, in generate_ints
StopIteration

Можно также написать for i in generate_ints(5) или a, b, c = generate_ints(3).

Внутри функции-генератора return value приводит к вызову StopIteration(value) из метода __next__(). После этого или при достижении конца функции поток значений завершается, и генератор больше не может выдавать значения.

Эффект генераторов можно получить вручную, написав собственный класс и сохранив все локальные переменные генератора в виде переменных экземпляра. Например, чтобы возвращать список целых чисел, можно присвоить self.count значение 0, а в методе __next__() увеличивать self.count и возвращать его. Однако для умеренно сложного генератора соответствующий класс может получиться гораздо громозднее.

Набор тестов, входящий в библиотеку Python, Lib/test/test_generators.py, содержит несколько более интересных примеров. Ниже приведён генератор, который рекурсивно реализует прямой обход дерева.

# A recursive generator that generates Tree leaves in in-order.
def inorder(t):
    if t:
        for x in inorder(t.left):
            yield x

        yield t.label

        for x in inorder(t.right):
            yield x

Ещё два примера в test_generators.py находят решения задачи о ферзях (размещение N ферзей на шахматной доске NxN так, чтобы ни один ферзь не угрожал другому) и задачи о ходе коня (поиск маршрута, который позволяет коню посетить каждую клетку шахматной доски NxN, не посещая ни одну клетку дважды).

val = (yield i)

def counter(maximum):
    i = 0
    while i < maximum:
        val = (yield i)
        # If value provided, change counter
        if val is not None:
            i = val
        else:
            i += 1

>>> it = counter(10)
>>> next(it)
0
>>> next(it)
1
>>> it.send(8)
8
>>> next(it)
9
>>> next(it)
Traceback (most recent call last):
  File "t.py", line 15, in <module>
    it.next()
StopIteration

Встроенные функции

Рассмотрим подробнее встроенные функции, которые часто используются с итераторами.

Две встроенные функции Python, map() и filter(), дублируют возможности генераторных выражений:

map(f, iterA, iterB, ...) returns an iterator over the sequence

f(iterA[0], iterB[0]), f(iterA[1], iterB[1]), f(iterA[2], iterB[2]), ....

>>> def upper(s):
...     return s.upper()

>>> list(map(upper, ['sentence', 'fragment']))
['SENTENCE', 'FRAGMENT']
>>> [upper(s) for s in ['sentence', 'fragment']]
['SENTENCE', 'FRAGMENT']

Конечно, того же эффекта можно добиться с помощью генератора списка.

filter(predicate, iter) возвращает итератор по всем элементам последовательности, удовлетворяющим определённому условию; аналогичную возможность предоставляют генераторы списка. Предикат — это функция, возвращающая логическое значение некоторого условия; при использовании с filter() предикат должен принимать одно значение.

>>> def is_even(x):
...     return (x % 2) == 0

>>> list(filter(is_even, range(10)))
[0, 2, 4, 6, 8]

Это также можно записать в виде генератора списка:

>>> list(x for x in range(10) if is_even(x))
[0, 2, 4, 6, 8]

enumerate(iter, start=0) нумерует элементы итерируемого объекта, возвращая пары значений, содержащие порядковый номер (начиная с start) и соответствующий элемент.

>>> for item in enumerate(['subject', 'verb', 'object']):
...     print(item)
(0, 'subject')
(1, 'verb')
(2, 'object')

enumerate() часто используют при переборе списка, чтобы записывать индексы, для которых выполняются определённые условия:

f = open('data.txt', 'r')
for i, line in enumerate(f):
    if line.strip() == '':
        print('Blank line at line #%i' % i)

sorted(iterable, key=None, reverse=False) собирает все элементы итерируемого объекта в список, сортирует его и возвращает отсортированный результат. Аргументы key и reverse передаются методу sort() созданного списка.

>>> import random
>>> # Generate 8 random numbers between [0, 10000)
>>> rand_list = random.sample(range(10000), 8)
>>> rand_list
[769, 7953, 9828, 6431, 8442, 9878, 6213, 2207]
>>> sorted(rand_list)
[769, 2207, 6213, 6431, 7953, 8442, 9828, 9878]
>>> sorted(rand_list, reverse=True)
[9878, 9828, 8442, 7953, 6431, 6213, 2207, 769]

(Подробнее о сортировке см. в разделе Методы сортировки.)

Встроенные функции any(iter) и all(iter) проверяют истинность элементов итерируемого объекта. any() возвращает True, если хотя бы один элемент итерируемого объекта является истинным, а all() возвращает True, если истинны все элементы:

>>> any([0, 1, 0])
True
>>> any([0, 0, 0])
False
>>> any([1, 1, 1])
True
>>> all([0, 1, 0])
False
>>> all([0, 0, 0])
False
>>> all([1, 1, 1])
True

zip(iterA, iterB, ...) берёт по одному элементу из каждого итерируемого объекта и возвращает их в виде кортежа:

zip(['a', 'b', 'c'], (1, 2, 3)) =>
  ('a', 1), ('b', 2), ('c', 3)

Функция не создаёт список в памяти и не исчерпывает все входные итераторы до возврата результата; вместо этого кортежи создаются и возвращаются только по запросу. (Технический термин для такого поведения — ленивые вычисления.)

Этот итератор предназначен для работы с итерируемыми объектами одинаковой длины. Если их длины различаются, результирующий поток будет иметь длину самого короткого объекта.

zip(['a', 'b'], (1, 2, 3)) =>
  ('a', 1), ('b', 2)

Однако этого следует избегать, поскольку из более длинных итераторов могут извлекаться и отбрасываться элементы. Это означает, что продолжать использовать такие итераторы нельзя: есть риск пропустить отброшенный элемент.

Модуль itertools

Модуль itertools содержит ряд часто используемых итераторов, а также функции для объединения нескольких итераторов. В этом разделе мы познакомимся с содержимым модуля на небольших примерах.

Функции модуля можно разделить на несколько общих категорий:

• Функции, создающие новый итератор на основе существующего.
• Функции, передающие элементы итератора в качестве аргументов функции.
• Функции, выбирающие части выходных данных итератора.
• Функция для группировки выходных данных итератора.

itertools.count() =>
  0, 1, 2, 3, 4, 5, 6, 7, 8, 9, ...
itertools.count(10) =>
  10, 11, 12, 13, 14, 15, 16, 17, 18, 19, ...
itertools.count(10, 5) =>
  10, 15, 20, 25, 30, 35, 40, 45, 50, 55, ...

itertools.cycle([1, 2, 3, 4, 5]) =>
  1, 2, 3, 4, 5, 1, 2, 3, 4, 5, ...

itertools.repeat('abc') =>
  abc, abc, abc, abc, abc, abc, abc, abc, abc, abc, ...
itertools.repeat('abc', 5) =>
  abc, abc, abc, abc, abc

itertools.chain(['a', 'b', 'c'], (1, 2, 3)) =>
  a, b, c, 1, 2, 3

itertools.islice(range(10), 8) =>
  0, 1, 2, 3, 4, 5, 6, 7
itertools.islice(range(10), 2, 8) =>
  2, 3, 4, 5, 6, 7
itertools.islice(range(10), 2, 8, 2) =>
  2, 4, 6

itertools.tee( itertools.count() ) =>
   iterA, iterB

where iterA ->
   0, 1, 2, 3, 4, 5, 6, 7, 8, 9, ...

and   iterB ->
   0, 1, 2, 3, 4, 5, 6, 7, 8, 9, ...

itertools.starmap(os.path.join,
                  [('/bin', 'python'), ('/usr', 'bin', 'java'),
                   ('/usr', 'bin', 'perl'), ('/usr', 'bin', 'ruby')])
=>
  /bin/python, /usr/bin/java, /usr/bin/perl, /usr/bin/ruby

itertools.filterfalse(is_even, itertools.count()) =>
  1, 3, 5, 7, 9, 11, 13, 15, ...

def less_than_10(x):
    return x < 10

itertools.takewhile(less_than_10, itertools.count()) =>
  0, 1, 2, 3, 4, 5, 6, 7, 8, 9

itertools.takewhile(is_even, itertools.count()) =>
  0

itertools.dropwhile(less_than_10, itertools.count()) =>
  10, 11, 12, 13, 14, 15, 16, 17, 18, 19, ...

itertools.dropwhile(is_even, itertools.count()) =>
  1, 2, 3, 4, 5, 6, 7, 8, 9, 10, ...

itertools.compress([1, 2, 3, 4, 5], [True, True, False, False, True]) =>
   1, 2, 5

itertools.combinations([1, 2, 3, 4, 5], 2) =>
  (1, 2), (1, 3), (1, 4), (1, 5),
  (2, 3), (2, 4), (2, 5),
  (3, 4), (3, 5),
  (4, 5)

itertools.combinations([1, 2, 3, 4, 5], 3) =>
  (1, 2, 3), (1, 2, 4), (1, 2, 5), (1, 3, 4), (1, 3, 5), (1, 4, 5),
  (2, 3, 4), (2, 3, 5), (2, 4, 5),
  (3, 4, 5)

itertools.permutations([1, 2, 3, 4, 5], 2) =>
  (1, 2), (1, 3), (1, 4), (1, 5),
  (2, 1), (2, 3), (2, 4), (2, 5),
  (3, 1), (3, 2), (3, 4), (3, 5),
  (4, 1), (4, 2), (4, 3), (4, 5),
  (5, 1), (5, 2), (5, 3), (5, 4)

itertools.permutations([1, 2, 3, 4, 5]) =>
  (1, 2, 3, 4, 5), (1, 2, 3, 5, 4), (1, 2, 4, 3, 5),
  ...
  (5, 4, 3, 2, 1)

itertools.permutations('aba', 3) =>
  ('a', 'b', 'a'), ('a', 'a', 'b'), ('b', 'a', 'a'),
  ('b', 'a', 'a'), ('a', 'a', 'b'), ('a', 'b', 'a')

itertools.combinations_with_replacement([1, 2, 3, 4, 5], 2) =>
  (1, 1), (1, 2), (1, 3), (1, 4), (1, 5),
  (2, 2), (2, 3), (2, 4), (2, 5),
  (3, 3), (3, 4), (3, 5),
  (4, 4), (4, 5),
  (5, 5)

city_list = [('Decatur', 'AL'), ('Huntsville', 'AL'), ('Selma', 'AL'),
             ('Anchorage', 'AK'), ('Nome', 'AK'),
             ('Flagstaff', 'AZ'), ('Phoenix', 'AZ'), ('Tucson', 'AZ'),
             ...
            ]

def get_state(city_state):
    return city_state[1]

itertools.groupby(city_list, get_state) =>
  ('AL', iterator-1),
  ('AK', iterator-2),
  ('AZ', iterator-3), ...

where
iterator-1 =>
  ('Decatur', 'AL'), ('Huntsville', 'AL'), ('Selma', 'AL')
iterator-2 =>
  ('Anchorage', 'AK'), ('Nome', 'AK')
iterator-3 =>
  ('Flagstaff', 'AZ'), ('Phoenix', 'AZ'), ('Tucson', 'AZ')

Модуль functools

Модуль functools содержит несколько функций высшего порядка. Функция высшего порядка принимает одну или несколько функций в качестве входных данных и возвращает новую функцию. Самый полезный инструмент этого модуля — функция functools.partial().

При написании программ в функциональном стиле иногда требуется создавать варианты существующих функций с заранее заданными значениями некоторых параметров. Рассмотрим функцию Python f(a, b, c); возможно, вы захотите создать новую функцию g(b, c), эквивалентную f(1, b, c); для одного из параметров f() задаётся значение. Это называется «частичным применением функции».

Конструктор partial() принимает аргументы (function, arg1, arg2, ..., kwarg1=value1, kwarg2=value2). Полученный объект является вызываемым, поэтому его можно просто вызвать, чтобы выполнить function с заданными аргументами.

Вот небольшой, но реалистичный пример:

import functools

def log(message, subsystem):
    """Write the contents of 'message' to the specified subsystem."""
    print('%s: %s' % (subsystem, message))
    ...

server_log = functools.partial(log, subsystem='server')
server_log('Unable to open socket')

functools.reduce(func, iter, [initial_value]) последовательно применяет операцию ко всем элементам итерируемого объекта, поэтому её нельзя применять к бесконечным итерируемым объектам. func должна быть функцией, которая принимает два элемента и возвращает одно значение. functools.reduce() берёт первые два элемента A и B, возвращённые итератором, и вычисляет func(A, B). Затем функция запрашивает третий элемент C, вычисляет func(func(A, B), C), объединяет результат с четвёртым возвращённым элементом и продолжает работу, пока итерируемый объект не будет исчерпан. Если итерируемый объект не возвращает ни одного значения, возникает исключение TypeError. Если задано начальное значение, оно используется как исходная точка, а func(initial_value, A) становится первым вычислением.

>>> import operator, functools
>>> functools.reduce(operator.concat, ['A', 'BB', 'C'])
'ABBC'
>>> functools.reduce(operator.concat, [])
Traceback (most recent call last):
  ...
TypeError: reduce() of empty iterable with no initial value
>>> functools.reduce(operator.mul, [1, 2, 3], 1)
6
>>> functools.reduce(operator.mul, [], 1)
1

Если использовать operator.add() вместе с functools.reduce(), можно сложить все элементы итерируемого объекта. Этот случай настолько распространён, что для него есть специальная встроенная функция sum():

>>> import functools, operator
>>> functools.reduce(operator.add, [1, 2, 3, 4], 0)
10
>>> sum([1, 2, 3, 4])
10
>>> sum([])
0

Однако во многих случаях вместо functools.reduce() понятнее написать очевидный цикл for:

import functools
# Instead of:
product = functools.reduce(operator.mul, [1, 2, 3], 1)

# You can write:
product = 1
for i in [1, 2, 3]:
    product *= i

Похожая функция — itertools.accumulate(iterable, func=operator.add). Она выполняет те же вычисления, но вместо возврата только окончательного результата accumulate() возвращает итератор, который также выдаёт каждый промежуточный результат:

itertools.accumulate([1, 2, 3, 4, 5]) =>
  1, 3, 6, 10, 15

itertools.accumulate([1, 2, 3, 4, 5], operator.mul) =>
  1, 2, 6, 24, 120

Небольшие функции и выражение lambda

При написании программ в функциональном стиле часто нужны небольшие функции, выступающие в роли предикатов или определённым образом объединяющие элементы.

Если подходящая функция уже есть среди встроенных функций Python или функций какого-либо модуля, определять новую функцию не нужно:

stripped_lines = [line.strip() for line in lines]
existing_files = filter(os.path.exists, file_list)

Если необходимой функции нет, её придётся написать. Один из способов создания небольших функций — использовать выражение lambda. lambda принимает несколько параметров и выражение, объединяющее эти параметры, и создаёт анонимную функцию, возвращающую значение этого выражения:

adder = lambda x, y: x+y

print_assign = lambda name, value: name + '=' + str(value)

В качестве альтернативы можно воспользоваться оператором def и определить функцию обычным способом:

def adder(x, y):
    return x + y

def print_assign(name, value):
    return name + '=' + str(value)

Какой вариант предпочтительнее? Это вопрос стиля; обычно я стараюсь не использовать lambda.

Одна из причин такого предпочтения — ограниченные возможности lambda при определении функций. Результат должен вычисляться как одно выражение, поэтому нельзя использовать многоступенчатые сравнения if... elif... else или операторы try... except. Если попытаться уместить слишком много в оператор lambda, получится чрезмерно сложное и трудночитаемое выражение. Итак, что делает следующий код?

import functools
total = functools.reduce(lambda a, b: (0, a[1] + b[1]), items)[1]

Разобраться можно, но на это потребуется время: нужно распутать выражение, чтобы понять, что происходит. Короткие вложенные операторы def немного упрощают ситуацию:

import functools
def combine(a, b):
    return 0, a[1] + b[1]

total = functools.reduce(combine, items)[1]

Но лучше всего было бы просто использовать цикл for:

total = 0
for a, b in items:
    total += b

Или встроенную функцию sum() и генераторное выражение:

total = sum(b for a, b in items)

Многие варианты использования functools.reduce() понятнее записать в виде циклов for.

Фредрик Лунд однажды предложил следующие правила для рефакторинга кода с lambda:

1. Напишите лямбда-функцию.
2. Напишите комментарий, объясняющий, что делает эта лямбда.
3. Немного поразмышляйте над комментарием и придумайте имя, которое передаёт его суть.
4. Замените лямбду объявлением def, используя это имя.
5. Удалите комментарий.

Мне очень нравятся эти правила, но вы вправе не соглашаться с тем, что стиль без лямбда-функций лучше.

История изменений и благодарности

Автор хотел бы поблагодарить следующих людей за предложения, исправления и помощь при подготовке различных вариантов этой статьи: Иэн Биккинг, Ник Коглан, Ник Эффорд, Рэймонд Хеттингер, Джим Джуэтт, Майк Крелл, Леандро Ламейро, Юсси Салмела, Коллин Уинтер и Блейк Уинтон.

Версия 0.1: опубликована 30 июня 2006 года.

Версия 0.11: опубликована 1 июля 2006 года. Исправлены опечатки.

Версия 0.2: опубликована 10 июля 2006 года. Разделы о генераторных выражениях и генераторах списка объединены. Исправлены опечатки.

Версия 0.21: добавлены дополнительные ссылки, предложенные в рассылке tutor.

Версия 0.30: добавлен раздел о модуле functional, написанный Коллином Уинтером; добавлен краткий раздел о модуле operator; внесены некоторые другие изменения.

Ссылки