函数式编程(Functional Programming)

函数式编程重视函数组合、高阶函数与显式的数据变换。纯函数和不可变数据是常用手段,但实际程序仍需要把文件、网络等副作用管理好。

一句话定义

函数式编程重视函数组合、高阶函数与显式的数据变换。纯函数和不可变数据是常用手段,但实际程序仍需要把文件、网络等副作用管理好。

为什么重要

  • 纯函数最好测:同样的输入永远得到同样的输出,测试不需要准备“世界状态”。
  • 天然适合并行和缓存:减少共享可变状态有助于降低核心逻辑的竞态风险;结果只依赖输入时更适合缓存,仍需检查参数哈希性、返回值可变性和缓存容量(见 k1.py.decorator 里的 functools.cache)。
  • 数据流水线思维:数据清洗、特征工程、ETL 都是“一步步变换”,函数式是最自然的表达。

使用边界

不可变通常只描述对象自身:元组或 frozen dataclass 里的列表仍可修改。缓存还要求输入可哈希、结果在缓存期间有效;纯函数也不能免除外围 I/O 的并发问题。

原理 / 图解

核心概念四件套:

概念 含义 Python 中的体现
纯函数 无副作用、结果只依赖参数 不读写全局变量、不修改入参
不可变数据 创建后不改,改就生成新值 tuple、frozenset、frozen=True 的 dataclass、3.15 新增的 frozendict
一等函数 / 高阶函数 函数可以当参数、返回值 map、filter、sorted(key=...)、装饰器
组合 小函数拼成大函数 compose(f, g, h)、方法链
图 1

Python 3.15(2026-10-09 发布)新增内建 frozendict(PEP 814),它可哈希(当键值都可哈希时),进一步补齐了不可变数据结构:https://docs.python.org/3.15/whatsnew/3.15.html 、https://peps.python.org/pep-0814/

可运行示例

# 文件:examples/04_functional.py
# 函数式:纯函数、不可变数据、函数作为一等公民、组合
from functools import reduce, partial

def compose(*fs):
    return lambda x: reduce(lambda acc, f: f(acc), fs, x)

strip = str.strip
lower = str.lower
def remove_punct(s): return "".join(c for c in s if c.isalnum() or c.isspace())

normalize = compose(strip, lower, remove_punct)
print(repr(normalize("  Hello, World!  ")))

# 纯函数 vs 有副作用的函数
counter = 0
def impure_add(x):
    global counter
    counter += x          # 修改外部状态 = 副作用
    return counter
def pure_add(acc, x):
    return acc + x        # 只依赖输入
print("不纯:", impure_add(1), impure_add(1))   # 同样输入,不同输出
print("纯:", pure_add(0, 1), pure_add(0, 1))     # 同样输入,同样输出

# 不可变数据:返回新对象而不是改旧对象
from dataclasses import dataclass, replace
@dataclass(frozen=True)
class User:
    name: str
    level: int
u1 = User("ann", 1)
u2 = replace(u1, level=2)
print(u1, u2)

# 高阶函数与偏函数
power = lambda base, exp: base ** exp
square = partial(power, exp=2)
print(list(map(square, [1, 2, 3])))

一稿留存输出(Python 3.15.0):

'hello world'
不纯: 1 2
纯: 1 1
User(name='ann', level=1) User(name='ann', level=2)
[1, 4, 9]

看第二、三行:impure_add(1) 调两次结果不同(1、2),因为它偷偷改了全局 counter;pure_add(0, 1) 永远是 1。这就是“副作用”的直观含义。

常见误区

  • “用了 map/lambda 就是函数式”:关键在于没有副作用,而不是语法。一个在 map 里写日志、改全局字典的 lambda 依然是命令式。
  • 在 Python 里追求“纯粹函数式”:Python 没有尾递归优化(深递归会触发 RecursionError),列表推导式通常比 map(lambda…) 更易读。Python 官方 HOWTO 也推荐推导式与生成器表达式:https://docs.python.org/3/howto/functional.html
  • “不可变 = 慢”:小对象创建很便宜;真正的大数据(数组、表格)由 NumPy/Polars 在底层高效处理,显式返回新结果有助于减少意外修改,但 pandas 的 DataFrame 本身仍可变(参见 k1.lib.pandas 的 Copy-on-Write)。
  • 完全消灭副作用:程序总要写文件、发请求。正确做法是把副作用推到边缘,核心逻辑保持纯净(“函数式核心,命令式外壳”)。

与 AI 开发的关系

  • JAX 要求纯函数:jax.jit、jax.grad 只对纯函数行为正确,函数内修改全局变量的结果不可预期。https://docs.jax.dev/en/latest/notebooks/Common_Gotchas_in_JAX.html
  • 数据预处理流水线(Hugging Face datasets.map、Polars 表达式)都鼓励“输入一行/一列、输出新的一行/一列”的函数式写法,便于并行和缓存。
  • 工具函数(Tool / Function Calling):给 LLM 调用的工具越接近纯函数(参数明确、无隐藏状态),Agent 行为越可预测、越容易重放和评估。

延伸阅读

理解检查

把列表装进 frozen dataclass 后,列表内容还能改变吗?

参考答案:可以。frozen 限制字段重新赋值,不会递归冻结字段引用的对象。

核验与复现

核验日期:2026-10-14。示例状态:运行通过。本轮日志:04_functional.py。

配套代码与核验资料

继续浏览基础 返回知识 →返回顶部 ↑
本篇目录
教程图解100%
教程图解