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
>>>
defa
(n):
... add7 = b(n)
...
return
add7
...
>>>
defb
(n):
... i = 7
... j = c(i,n)
...
return
j
...
>>>
defc
(i,n):
...
return
i+n
...
>>> a(10)
# Pass cargo value for use downstream
17
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
>>> N = 10
>>>
defaddN
(i):
...
global
N
...
return
i+N
...
>>> addN(7)
# Add global N to argument
17
>>> N = 20
>>> addN(6)
# Add global N to argument
26
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
>>> N = 10
>>>
defaddN
(i, n=N):
...
return
i+n
...
>>> addN(5)
# Add 10
15
>>> N = 20
>>> addN(6)
# Add 10 (current N doesn't matter)
16
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
class
TaxCalc:
deftaxdue
(self):
return
(self.income-self.deduct)*self.rate
taxclass = TaxCalc()
taxclass.income = 50000
taxclass.rate = 0.30
taxclass.deduct = 10000
print
"Pythonic OOP taxes due =", taxclass.taxdue()
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
class
TaxCalc:
deftaxdue
(self):
return
(self.income-self.deduct)*self.rate
defsetIncome
(self,income):
self.income = income
return
self
defsetDeduct
(self,deduct):
self.deduct = deduct
return
self
defsetRate
(self,rate):
self.rate = rate
return
self
print
"Smalltalk-style taxes due =", \
TaxCalc().setIncome(50000).setRate(0.30).setDeduct(10000).taxdue()
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。
