级别: 初级 David Mertz 博士, 应用玄学家, Gnosis Software, Inc.
2001 年 4 月 01 日 专栏继续 David 对 Python 中的函数编程 (FP) 的介绍。请阅读本文对解决编程问题的不同范例的介绍,在介绍过程中 David 将阐述几个中高级的 FP 概念。
在
第
1 部分,有关函数编程的前一个专栏中,我介绍了一些 FP
的基础概念。本专栏将进一步深入研究这一概念性相当强的领域。对于我们的研究,Bryn
Keller 的 “Xoltar 工具包” 将提供有用的帮助。Keller 把很多 FP
的优势都集中在一个包括纯 Python 技术执行的小巧模块中。除了
functional
模块,Xoltar 工具包还包括
lazy
模块,该模块支持“只在需要时”赋值的结构。许多传统函数语言也具有缓式赋值,因此在这些组件中,Xoltar
工具包使您获得象 Haskell
这样的函数语言该有的大部分功能。
绑定
细心的读者可能记得我在
第
1 部分的函数技术中指出的限制。特别在 Python
中不能避免表示函数表达式的名称的重新绑定。在 FP
中,名称通常被理解为较长表达式的缩写,但这一说法暗示着“同一表达式总是求出相同的值”。如果标记的名称重新被绑定,这一暗示便不成立。例如,让我们定义一些在函数编程中要用到的快捷表达式,比如:
清单 1. 以下 Python FP
部分的重新绑定要造成故障
>>> car =
lambda
lst: lst[0]
>>> cdr =
lambda
lst: lst[1:]
>>> sum2 =
lambda
lst: car(lst)+car(cdr(lst))
>>> sum2(range(10))
1
>>> car =
lambda
lst: lst[2]
>>> sum2(range(10))
5
|
不幸的是,完全相同的表达式
sum2(range(10))
在程序中的两处求得两个不同的值,即使该表达式自身并没有在其参数中使用任何可变变量。
幸运的是,
functional
模块提供了称为
Bindings 的类(向 Keller
提议)来防止这样的重新绑定(至少在偶然情况下,Python
不会阻止一心想要解除绑定的程序员)。然而使用
Bindings
需要一些额外的语法,这样意外就不太容易发生。在
functional
模块的示例中,Keller 将
Bindings 实例命名为
let (我假定在 ML
家族语言的
let 关键词的后面)。
例如,我们会这样做:
清单 2. 具有安全重新绑定的 Python FP
部分
>>>
from
functional
import
*
>>> let = Bindings()
>>> let.car =
lambda
lst: lst[0]
>>> let.car =
lambda
lst: lst[2]
Traceback (innermost last):
File "<stdin>", line 1,
in
?
File "d:\tools\functional.py", line 976,
in
__setattr__
raise
BindingError, "Binding '%s' cannot be modified." % name
functional.BindingError: Binding 'car' cannot be modified.
>>> car(range(10))
0
|
很明显,真正的程序必须做一些设置来捕获“绑定错误”,而且他们被抛出也避免了一类问题的出现。
与
Bindings 一起,
functional
提供
namespace 函数从
Bindings
实例中获取命名空间(实际上是个字典)。如果希望在
Bindings
中定义的(不可变)命名空间中运算一个表达式,这非常容易实现。Python
的
eval() 函数允许在命名空间中进行运算。
让我们通过一个示例来弄清楚:
清单 3. 使用不可变命名空间的 Python FP
部分
>>> let = Bindings()
# "Real world" function names
>>> let.r10 = range(10)
>>> let.car =
lambda
lst: lst[0]
>>> let.cdr =
lambda
lst: lst[1:]
>>> eval('car(r10)+car(cdr(r10))', namespace(let))
>>> inv = Bindings()
# "Inverted list" function names
>>> inv.r10 = let.r10
>>> inv.car =
lambda
lst: lst[-1]
>>> inv.cdr =
lambda
lst: lst[:-1]
>>> eval('car(r10)+car(cdr(r10))', namespace(inv))
17
|
闭包
FP 中有个有趣的概念 --
闭包。实际上,闭包对许多开发人员都非常有趣,即使在如 Perl 和
Ruby 这样的无函数语言中也都包括闭包这一功能。而且,Python 2.1
目前正想加入词汇范围限制功能,这一功能将提供闭包的大部分功能。
什么
是闭包呢?
Steve Majewski 最近在 Python
新闻组提供了对这一概念的很好描述:
对象是附带过程的数据……闭包是附带数据的过程。
闭包就象是 FP 的 Jekyll
对于 OOP 的 Hyde
(角色或者也可能对调)。闭包类似对象示例,是一种将一大批数据和功能封装在一起的一种方式。
让我们回到先前的地方了解对象和闭包解决什么问题,同时了解一下问题如果没有这两样是如何解决的。函数返回的结果往往是由其计算中使用的上下文决定的。最常见的
-- 也可能是最明显的 --
指定上下文的方法是向函数传递某些参数,通知函数处理什么值。但有时候“背景”和“前景”参数有着本质的区别
--
在这特定时刻函数正在处理的和函数为多段潜在调用而“配置”之间的区别。
当把重点放在前景的时候,有许多处理背景的方法。其中一种是简单“咬出子弹”的方法,在每次调用的时候传递函数需要的每一个参数。这种方法通常在调用链中,只要在某些地方有可能需要值,就会传递一些值(或带有多成员的结构)。以下是一个小示例:
清单 4. 显示 cargo 变量的 Python
部分
在 cargo 示例的
b() 中,
n 除了起到传递到
c()
的作用外并无其他作用。另一种方法将使用全局变量:
清单 5. 显示全局变量的 Python
部分
全局变量
N
在任何希望调用
addN()
的时候起作用,但没有必要明确地传递全局背景“上下文”。另一个更
Python
专用的技术是将一个变量在定义时“冻结”入一个使用默认参数的函数:
清单 6. 显示冻结变量的 Python
部分
冻结变量本质上就是闭包。某些数据被“隶属”于
addN() 函数。对于完整的闭包,当定义
addN()
的时候,所有的数据在调用的时候都将可用。然而,在这个示例(或者许多更健壮的示例)中,使用默认的参数就能简单的够用了。
addN() 从未使用的变量并不会对其计算造成影响。
接着让我们来看一个更接近真实问题的 OOP
方法。年份的时间是我想起了那些“会见”风格的收集各种数据的税收程序
-- 不必有特定的顺序 --
最终使用全部数据来计算。让我们创建一个简单的版本:
清单 7. Python
风格的税收计算类/示例
在
TaxCalc
类(或其实例)中,能收集一些数据 -- 可以以任意顺序 --
一旦获得了所需的所有元素,就能调用这一对象的方法来完成这一大批数据的计算。所有一切都在实例中,而且,不同示例携带不同的数据。创建多示例和区别它们的数据的可能性不可能存在于"全局变量"或"冻结变量"方法中。"cargo"
方法能处理这个问题,但对于扩展的示例来说,我们看到它可能是开始传递各种值的必要条件了。既然我们已讲到这,注意传递消息的
OPP 风格是如何处理的也非常有趣(Smalltalk 或 Self
与此类似,一些我使用的 OOP xBase 变量也是如此):
清单 8. Smalltalk 风格 (Python)
的税收计算
用每个 "setter" 来返回
self
使我们能把“现有的”东西看作是每个方法应用的结果。这与 FP
闭包方法有许多有趣的相似点。
有了 Xoltar
工具包,我们就能创建具有所期望的合并数据与函数特性的完整的闭包,同时还允许多段闭包(nee
对象)来包含不同的包:
清单 9. Python
函数风格的税收计算
from
functional
import
*
taxdue =
lambda
: (income-deduct)*rate
incomeClosure =
lambda
income,taxdue: closure(taxdue)
deductClosure =
lambda
deduct,taxdue: closure(taxdue)
rateClosure =
lambda
rate,taxdue: closure(taxdue)
taxFP = taxdue
taxFP = incomeClosure(50000,taxFP)
taxFP = rateClosure(0.30,taxFP)
taxFP = deductClosure(10000,taxFP)
print
"Functional taxes due =",taxFP()
print
"Lisp-style taxes due =", \
incomeClosure(50000,
rateClosure(0.30,
deductClosure(10000, taxdue)))()
|
我们定义的每一个闭包函数都携带了函数范围内定义的任何值,然后将这些值绑定到函数对象的全局范围。然而,函数的全局范围看上去不必与实际模块的全局范围相同,同时与不同闭包的“全局”范围也不相同。闭包只是简单地“携带数据”。
在示例中,我们使用了一些特殊函数在闭包范围
(income、deduct、rate)
内放入了特定绑定。修改设计以在范围内放入任何绑定也非常简单。我们还可以在示例中使用具有细微差别的不同函数风格,当然这只是为了好玩。第一个成功的将附加值绑定入闭包范围内;使
taxFP
成为可变,这些“加入到闭包”的行可以任意顺序出现。然而,如果要使用如
tax_with_Income
这样的不可变名称,就必须将绑定行按照一定顺序排列,然后将前面的绑定传递到下一个。无论如何,一旦必需的一切被绑定入闭包的范围内,我们就调用
"seeded" 函数。
第二种风格看上去更接近
Lisp,(对我来说更像圆括号)。如果不考虑美观,第二种风格中发生了二件有趣的事情。第一件是名称绑定完全被避免了。第二种风格是一个单一表达式而不使用语句(请参阅
第
1 部分,讨论为什么这样会有问题)。
其它有关“Lisp
风格”闭包使用的有趣例子是其与上文提到的“Smalltalk
风格”消息传递方法有多少类似。两者累积了值和调用
taxdue()
函数/方法(如果没有正确的数据,两者在这些原始版本中都将报错)。“Smalltalk
风格”在每一步之间传递对象,而“Lisp
风格”传递一个连续。但若是更深一层理解,函数和面向对象编程大部分都是这样。
尾递归
在这一部分中,我们已经完成了函数编程领域的大部分内容。剩下的比以前(这节的题目是个小玩笑;可惜的是,它的概念在文章内没能解释)更少(可能更简单?)。阅读
functional
模块的代码是继续探索大量 FP
概念的好方法。这个模块有很多注释,并对其大部分函数和类提供了示例。本专栏没能涉及一些简化的元函数,它们使其它函数的组合和交互更容易处理。这些对于一个对函数范例不断探索的
Python 程序员来说非常值得研究。
参考资料
- 您可以参阅本文在 developerWorks 全球站点上的
英文原文.
- David 的
前一专栏,有关在
Python 进行函数编程,是对本文的介绍。
- Bryn Keller 的
"xoltar
toolkit",它包括了模块
functional ,添加了大量有用的对 Python 的 FP 扩展。因为
functional 模块本身完全是用 Python
编写的,所以它所做的在 Python 本身中已经可能存在。但 Keller
也指出了一组非常紧密集成的扩展,简洁定义中带有许多能力。
- Peter Norvig 撰写了一篇有意思的文章,
Python for Lisp
Programmers
。但他的重点与我这一专栏的观点有些相反,它提供了
Python 和 Lisp 之间非常好的常规比较。
-
comp.lang.functional
常见问题是了解函数编程的一个良好开始。
- 我发现用
Haskell 比用
Lisp/Scheme 更容易掌握函数编程(即使如果只在 Emacs
中,后者可能使用得更广泛)。其它 Python
程序员可能由于没有那么多的括号和前缀 (Polish)
操作符会轻松许多。
- 一本非常有用的介绍性书籍是
Haskell: The Craft of Functional
Programming (2nd Edition), Simon Thompson (Addison-Wesley,
1999)。
关于作者 |