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）：
- 形式上可证
- 模块性
- 组合性
- 易于调试及测试
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
List(1,2,3).map(_*2)
Clojure
(map #(* % 2) '(1 2 3))
Haskell
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
fibs = 0 : 1 : zipWith (+) fibs (tail fibs)
Clojure
(def fib (lazy-cat [0 1] (map + fib (rest fib))))
Scala
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：
- (False, result) 代表运行完毕
- (True, args, kwargs) 代表我们要继续调用函数并传递不同的参数
- (func, args, kwargs) 代表在 while 循环中切换要执行的函数
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：
- 22 个附加的 itertools 代码段，以扩展内置 module 的功能的附加功能
- 将 Python 2 和 Python 3 的迭代器（iterator）（如 range，map 及 filtter 等等）使用进行了统一，这对使用跨版本的类库时非常有用
- 为函数式组合及 partial 函数应用提供了简便的语法
- 为使用高阶函数（apply，flip 等等）提供了附加的操作符
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：
- 为使用可迭代对象（iterable），如 foldl，foldr 增加更多操作符
- 更多的 monad，如 fn.monad.Either，以处理错误记录
- 为大多数 module 提供 C-accelerator
- 为简化 lambda arg1: lambda arg2:…形式而提供的 curry 函数的生成器
- 更多文档，更多测试，更多示例代码
链接
如果你想了解这个类库的更多信息，可以使用以下资源：
关于作者
Alexey Kachayev是一个精力充沛且狂热的程序员，开源社区的活跃者，并经常在各种技术会议中进行演讲。他是 Kitapps Inc 的 CTO。Alexey 在 Python、Erlang、Clojure 及函数式编程语言（如 Haskel 及 Lisp）等方面经验最丰富。他主要的兴趣所在是分布式应用、云计算、实时 web 和编译原理等。Alexey 也为 CPython 解释器和 Storm（实时数据处理器）贡献过自己的力量。
查看英文原文： Fn.py: Enjoy Functional Programming in Python
感谢杨赛对本文的审校。
给InfoQ 中文站投稿或者参与内容翻译工作，请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博（ @InfoQ ）或者腾讯微博（ @InfoQ ）关注我们，并与我们的编辑和其他读者朋友交流。
