0. 前言
“Function Programming in Python” Chapter 2：Callables
反复调用函数是函数式编程中的一个重点。在Python中有好多种不同的函数（或者说是可调用的something function-like）创建方式：
-
用关键字
def创建常规命名函数 -
用关键字
lambda创建的匿名函数 -
定义了
__call__()函数的类的实例 -
闭包（closures）
-
实例的静态函数
-
生成器函数
纯函数（pure function）和无副作用代码（side-effect-free code）的好处是更容易调试和测试。很多时候在一个函数中side effects很难被完全消除，但是我们可以用函数式编程的思考方式在一定程度上削弱它。
1. Named Functions and Lambdas
Named Functions和Lambdas的主要区别就在于是否有__qualname__属性。
>>> def hello1(name):
..... print("Hello", name)
.....
>>> hello2 = lambda name: print("Hello", name)
>>> hello1('David')
Hello David
>>> hello2('David')
Hello David
>>> hello1.__qualname__
'hello1'
>>> hello2.__qualname__
'<lambda>'
>>> hello3 = hello2 # can bind func to other names
>>> hello3.__qualname__
'<lambda>'
>>> hello3.__qualname__ = 'hello3'
>>> hello3.__qualname__
'hello3'
2. Closures and Callable Instances
有一种说法，类是“附带操作的数据(data with operations attached)”，闭包（closure）是“附带数据的操作(operations with data attached)”。虽然两者都是把逻辑处理和数据放进一个对象，但是类强调的是可修改或可重绑定的状态，而闭包强调不可变性和纯函数。看一个简单的例子：
定义一个带有__call()__函数的类，这样这个类的实例就可被调用：
# A class that creates callable adder instances
class Adder(object):
def __init__(self, n):
self.n = n
def __call__(self, m):
return self.n + m
add5_i = Adder(5) # "instance" or "imperative"
一个闭包：
def make_adder(n):
def adder(m):
return m + n
return adder
add5_f = make_adder(5) # "functional"
两种方式看起来完全一样，但是第一种方式中add5_i多了一个可修改的变量self.n。
>>> add5_i(10)
15
>>> add5_f(10) # only argument affects result
15
>>> add5_i.n = 10 # state is readily changeable
>>> add5_i(10) # result is dependent on prior flow
20
有一点需要注意，在Python中闭包的变量绑定是按变量名字传递，而不是变量值传递：
# almost surely not the behavior we intended!
>>> adders = []
>>> for n in range(5):
adders.append(lambda m: m+n)
>>> [adder(10) for adder in adders]
[14, 14, 14, 14, 14]
>>> n = 10
>>> [adder(10) for adder in adders]
[20, 20, 20, 20, 20]
显然上述结果不是我们想要的，但是做一点小改动就可以达到目的：
>>> adders = []
>>> for n in range(5):
.... adders.append(lambda m, n=n: m+n)
....
>>> [adder(10) for adder in adders]
[10, 11, 12, 13, 14]
>>> n = 10
>>> [adder(10) for adder in adders]
[10, 11, 12, 13, 14]
>>> add4 = adders[4]
>>> add4(10, 100) # Can override the bound value
110
3. Methods of Classes
类中的所有methods都是可调用的。
3.1 Accessors and Operators
不管是否用@property修饰的accessors都是可调用的，但是accessors 作为getter不能传入参数，作为setter不能返回值：
class Car(object):
def __init__(self):
self._speed = 100
@property
def speed(self):
print("Speed is", self._speed)
return self._speed
@speed.setter
def speed(self, value):
print("Setting to", value)
self._speed = value
# >> car = Car()
# >>> car.speed = 80 # Odd syntax to pass one argument
# Setting to 80
# >>> x = car.speed
# Speed is 80
python支持操作符重载，如下例重载操作符<<：
>>> class TalkativeInt(int):
def __lshift__(self, other):
print("Shift", self, "by", other)
return int.__lshift__(self, other)
....
>>> t = TalkativeInt(8)
>>> t << 3
Shift 8 by 3
64
3.2 Static Methods of Instances
有时候我们需要把一些纯函数放在类中，避免它污染外部名字空间，但是我们希望这些纯函数通过类本身也可以调用，而不是只能通过类的一个实例调用，这时候我们需要@staticmethod：
import math
class RightTriangle(object):
"Class used solely as namespace for related functions"
@staticmethod
def hypotenuse(a, b):
return math.sqrt(a**2 + b**2)
@staticmethod
def sin(a, b):
return a / RightTriangle.hypotenuse(a, b)
@staticmethod
def cos(a, b):
return b / RightTriangle.hypotenuse(a, b)
>>> RightTriangle.hypotenuse(3,4)
5.0
>>> rt = RightTriangle()
>>> rt.sin(3,4)
0.6
>>> rt.cos(3,4)
0.8
如果你的名字空间中全部都是纯函数，那你应该通过类（class）访问它们，而不是类的实例（instance）。但是如果你要将一些纯函数和一些依赖实例变量的函数混合进类中，那你应该用@staticmethod修饰纯函数。
3.3 Generator Functions
生成器函数返回的不是一个常规的值，而是一个可迭代的生成器。
def get_primes():
"Simple lazy Sieve of Eratosthenes"
candidate = 2
found = []
while True:
if all(candidate % prime != 0 for prime in found):
yield candidate
found.append(candidate)
candidate += 1
>>> primes = get_primes()
>>> next(primes), next(primes), next(primes)
(2, 3, 5)
>>> for _, prime in zip(range(10), primes):
... print(prime, end=" ")
....
7 11 13 17 19 23 29 31 37 41
你或许注意到了，上例中返回的generator里面是一个无限大的序列，这个无限长的序列并非在get_primes()返回时就已经生成并存储在内存中，而是在真正使用generator时，才一个一个生成出来。实际上这个黑魔法关键在yield上，在程序执行到yield这行时，它会在return一个值之后把这个函数“冻”住，保存好其中的所有变量，等到下次这个generator被调用（next()）的时候“解冻”。需要注意的是，生成器推导式虽然也可以返回一个生成器，但是经过实验证明，它并不具备yield那种魔法，也就是说生成器推导式并不似定义生成器函数那样节省内存。当需要获取非常大的序列时，应当定义一个生成器函数（使用yield关键字）。
In [1]: def gt():
...: for i in range(100000000):
...: yield i
...:
In [2]: g = gt()
In [3]: type(g)
Out[3]: generator # 此时ipython仅占用内存47508K
In [1]: g = (i for i in range(100000000) )
In [2]: type(g)
Out[2]: generator #内存占用3G多
In [5]: g = [ i for i in range(100000000) ] # 内存同样占用3G多
另外，生成器函数作为函数自然可以接收参数：
In [3]: def gt(number=10):
...: for i in range(number, 100000000):
...: yield i
...:
In [4]: g = gt(20)
In [5]: g.next()
Out[5]: 20
In [6]:
-
generator用于生成一串值 -
yield关键字和return很像，但是yield多干一件事：保存生成器函数的“状态” -
生成器只是一种特殊的迭代器
-
我们可以使用
next()获取生成器的下一个值（for循环获取值实际上是隐式调用next()）
更多关于generator和yield的讨论可以戳这里。
4. Multiple Dispatch
在程序设计语言中，许多时候同一个概念的操作或运算可能需要针对不同数量、不同类型的数据而做不同的处理。既然是“同一概念”，如果能用同样的名字来命名这个操作或运算的函数，会有助于程序代码清晰的表达出语义。但是函数的名字一样了，程序该如何判断应该选用同名函数的哪个版本就成了个问题，这里就需要在编译时由编译器来选择，或在运行时进行方法分派。
参数的数量、类型等信息组成了函数的signature。在不同语言中，函数的signature不仅可以包含参数的数量、类型，也可能包含参数的结构/模式，甚至可能包括返回类型的数量和类型。在C++中，使用同一个名字来命名signature不同的函数，叫做函数重载。然后Python中并没有函数重载，但是我们依然需要多分派技术。
剪刀石头布的例子：
class Thing(object): pass
class Rock(Thing): pass
class Paper(Thing): pass
class Scissors(Thing): pass
4.1 Many Branches
一个纯粹imperative的版本，有很多重复、条件判断、嵌套等：
def beats(x, y):
if isinstance(x, Rock):
if isinstance(y, Rock):
return None # No winner
elif isinstance(y, Paper):
return y
elif isinstance(y, Scissors):
return x
else:
raise TypeError("Unknown second thing")
elif isinstance(x, Paper):
if isinstance(y, Rock):
return x
elif isinstance(y, Paper):
return None # No winner
elif isinstance(y, Scissors):
return y
else:
raise TypeError("Unknown second thing")
elif isinstance(x, Scissors):
if isinstance(y, Rock):
return y
elif isinstance(y, Paper):
return x
elif isinstance(y, Scissors):
return None # No winner
else:
raise TypeError("Unknown second thing")
else:
raise TypeError("Unknown first thing")
rock, paper, scissors = Rock(), Paper(), Scissors()
# >>> beats(paper, rock)
# <__main__.Paper at 0x103b96b00>
# >>> beats(paper, 3)
# TypeError: Unknown second thing
4.2 Delegating to the Object
要改进上例，我们可以先考虑分离出三个类，将beats分别委派给各个类：
class DuckRock(Rock):
def beats(self, other):
if isinstance(other, Rock):
return None # No winner
elif isinstance(other, Paper):
return other
elif isinstance(other, Scissors):
return self
else:
raise TypeError("Unknown second thing")
class DuckPaper(Paper):
def beats(self, other):
if isinstance(other, Rock):
return self
elif isinstance(other, Paper):
return None # No winner
elif isinstance(other, Scissors):
return other
else:
raise TypeError("Unknown second thing")
class DuckScissors(Scissors):
def beats(self, other):
if isinstance(other, Rock):
return other
elif isinstance(other, Paper):
return self
elif isinstance(other, Scissors):
return None # No winner
else:
raise TypeError("Unknown second thing")
def beats2(x, y):
if hasattr(x, 'beats'):
return x.beats(y)
else:
raise TypeError("Unknown first thing")
rock, paper, scissors = DuckRock(), DuckPaper(), DuckScissors()
# >>> beats2(rock, paper)
# <__main__.DuckPaper at 0x103b894a8>
# >>> beats2(3, rock)
# TypeError: Unknown first thing
4.3 Pattern Matching
最后，我们可以更直接地使用多分派技术表达所有的逻辑，虽然函数数目有点多，但是逻辑更清晰，不易出错：
from multipledispatch import dispatch
@dispatch(Rock, Rock)
def beats3(x, y): return None
@dispatch(Rock, Paper)
def beats3(x, y): return y
@dispatch(Rock, Scissors)
def beats3(x, y): return x
@dispatch(Paper, Rock)
def beats3(x, y): return x
@dispatch(Paper, Paper)
def beats3(x, y): return None
@dispatch(Paper, Scissors)
def beats3(x, y): return x
@dispatch(Scissors, Rock)
def beats3(x, y): return y
@dispatch(Scissors, Paper)
def beats3(x, y): return x
@dispatch(Scissors, Scissors)
def beats3(x, y): return None
@dispatch(object, object)
def beats3(x, y):
if not isinstance(x, (Rock, Paper, Scissors)):
raise TypeError("Unknown first thing")
else:
raise TypeError("Unknown second thing")
# >>> beats3(rock, paper)
# <__main__.DuckPaper at 0x103b894a8>
# >>> beats3(rock, 3)
# TypeError: Unknown second thing
