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）：
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
代码如下:
List(1,2,3).map(_*2)
Clojure
代码如下:
(map #(* % 2) '(1 2 3))
Haskell
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
代码如下:
fibs = 0 : 1 : zipWith (+) fibs (tail fibs)
Clojure
代码如下:
(def fib (lazy-cat [0 1] (map + fib (rest fib))))
Scala
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：
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：
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：
![[Web front-end] Node.js quick start](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
