Python函数式编程(第2版)

Python具备函数式编程的许多核心特征，因此可以借鉴其他函数式语言的设计模式和编程技术，编写出简洁优雅的代码。本书首先介绍函数式编程的一般概念及特点，然后讲解迭代器、生成器表达式、内置函数、常用高阶函数、递归与归约、实用模块和装饰器的用法，以及避开Python严格求值顺序的变通方法、Web服务设计方法和一些优化技巧。

前言
第1章函数式编程概述1
1.1编程范式1
1.2细分过程范式2
1.2.1使用函数式范式3
1.2.2使用混合范式5
1.2.3对象的创建过程6
1.2.4乌龟塔7
1.3函数式编程经典示例7
1.4EDA10
1.5小结10
第2章函数式编程的特点11
2.1头等函数11
2.1.1纯函数12
2.1.2高阶函数13
2.2不可变数据结构13
2.3严格求值与非严格求值14
2.4用递归代替循环语句16
2.5函数类型系统19
2.6回到最初19
2.7几个高级概念20
2.8小结20
第3章函数、迭代器和生成器22
3.1编写纯函数23
3.2函数作为头等对象24
3.3使用字符串25
3.4使用元组和命名元组26
3.4.1使用生成器表达式27
3.4.2生成器的局限30
3.4.3组合生成器表达式31
3.5使用生成器函数清洗原始数据31
3.6使用列表、字典和set33
3.6.1使用状态映射36
3.6.2使用bisect模块创建映射37
3.6.3使用有状态的set38
3.7小结39
第4章使用集合40
4.1函数分类概览40
4.2使用可迭代对象41
4.2.1解析XML文件42
4.2.2使用高级方法解析文件43
4.2.3组对序列元素45
4.2.4显式使用iter()函数47
4.2.5扩展简单循环48
4.2.6将生成器表达式应用于标量函数51
4.2.7用any()函数和all()函数进行归约52
4.2.8使用len()和sum()54
4.2.9使用汇总和计数进行统计分析54
4.3使用zip()函数实现结构化和平铺序列56
4.3.1将压缩序列解压58
4.3.2平铺序列58
4.3.3结构化一维序列59
4.3.4结构化一维序列的另一种方式61
4.4使用reversed()函数改变顺序62
4.5使用enumerate()函数包含下标值63
4.6小结63
第5章高阶函数64
5.1用max()函数和min()函数寻找极值65
5.2使用Python匿名函数67
5.3lambda与lambda算子69
5.4使用map()将函数应用于集合69
5.5使用map()函数处理多个序列70
5.6使用filter()函数接收或舍弃数据72
5.7使用filter()函数检测异常值73
5.8在iter()函数中使用哨兵值74
5.9使用sorted()函数将数据排序75
5.10编写高阶函数75
5.11编写高阶映射和过滤函数76
5.11.1拆包并映射数据77
5.11.2打包多项数据并映射79
5.11.3平铺数据并映射80
5.11.4过滤并结构化数据81
5.12编写生成器函数83
5.13使用可调用对象构建高阶函数84
5.14设计模式回顾87
5.15小结88
第6章递归与归约89
6.1简单数值递归89
6.1.1实现尾调用优化90
6.1.2保持递归形式91
6.1.3处理复杂的尾调用优化92
6.1.4使用递归处理集合93
6.1.5集合的尾调用优化94
6.1.6集合的归约与折叠：从多个到一个95
6.2group-by归约：从多到少96
6.2.1用Counter做映射97
6.2.2用排序构建映射98
6.2.3使用键值分组或者分区数据99
6.2.4编写更通用的group-by归约102
6.2.5编写高阶归约103
6.2.6编写文件解析器104
6.3小结109
第7章元组处理技术110
7.1使用元组收集数据110
7.2使用命名元组收集数据112
7.3使用函数构造器创建命名元组115
7.4使用多种元组结构代替状态类115
7.4.1赋等级值118
7.4.2用包装代替状态变化120
7.4.3以多次包装代替状态变化121
7.4.4计算斯皮尔曼等级顺序相关度122
7.5多态与类型匹配123
7.6小结128
第8章itertools模块129
8.1使用无限迭代器130
8.1.1用count()计数130
8.1.2使用实数参数计数131
8.1.3用cycle()循环迭代132
8.1.4用repeat()重复单个值134
8.2使用有限迭代器135
8.2.1用enumerate()添加序号135
8.2.2用accumulate()计算汇总值137
8.2.3用chain()组合多个迭代器138
8.2.4用groupby()切分迭代器139
8.2.5用zip_longest()和zip()合并迭代器140
8.2.6用compress()过滤140
8.2.7用islice()选取子集141
8.2.8用dropwhile()和takewhile()过滤状态142
8.2.9基于filterfalse()和filter()的两种过滤方法143
8.2.10将starmap()和map()应用于数据144
8.3使用tee()函数克隆迭代器145
8.4itertools模块代码范例146
8.5小结147
第9章高级itertools技术148
9.1笛卡儿积148
9.2对积进行归约149
9.2.1计算距离150
9.2.2获得所有像素和颜色152
9.2.3性能分析153
9.2.4重构问题154
9.2.5合并两种变换155
9.3排列集合元素156
9.4生成所有组合157
9.5代码范例159
9.6小结160
第10章functools模块161
10.1函数工具161
10.2使用lru_cache保存已有计算结果162
10.3使用total_ordering定义类163
10.4使用partial()函数应用部分参数166
10.5使用reduce()函数归约数据集167
10.5.1合并map()和reduce()168
10.5.2使用reduce()函数和partial()函数170
10.5.3使用map()函数和reduce()函数清洗数据170
10.5.4使用groupby()函数和reduce()函数171
10.6小结173
第11章装饰器设计技术174
11.1作为高阶函数的装饰器174
11.2横切关注点178
11.3复合设计178
11.4向装饰器添加参数181
11.5实现更复杂的装饰器183
11.6复杂设计注意事项184
11.7小结187
第12章multiprocessing和threading模块188
12.1函数式编程和并发188
12.2并发的意义189
12.2.1边界条件189
12.2.2进程或线程间共享资源190
12.2.3从何处受益191
12.3使用多进程池和任务191
12.3.1处理大量大型文件192
12.3.2解析日志文件之收集行数据193
12.3.3解析日志行为命名元组194
12.3.4解析Access对象的其他字段196
12.3.5过滤访问细节199
12.3.6分析访问细节200
12.3.7完整的分析过程201
12.4使用多进程池进行并发处理202
12.4.1使用apply()发送单个请求204
12.4.2使用map_async()、starmap_async()和starmap_async()等函数204
12.4.3更复杂的多进程架构205
12.4.4使用concurrent.futures模块205
12.4.5使用concurrent.futures线程池206
12.4.6使用threading模块和queue模块206
12.4.7设计并发处理207
12.5小结208
第13章条件表达式和operator模块209
13.1条件表达式求值210
13.1.1使用非严格字典规则211
13.1.2过滤True条件表达式212
13.1.3寻找匹配模式213
13.2使用operator模块代替匿名函数214
13.3运算符的星号映射215
13.4使用operator模块函数进行归约217
13.5小结218
第14章PyMonad库219
14.1下载和安装219
14.2函数式复合和柯里化220
14.2.1使用柯里化的高阶函数221
14.2.2避易就难的柯里化223
14.3函数式复合和PyMonad*运算符223
14.4函子和应用型函子224
14.5单子的bind()函数和>>运算符228
14.6模拟实现单子229
14.7单子的其他特性232
14.8小结233
第15章Web服务的函数式设计方法234
15.1HTTP“请求响应”模型234
15.1.1通过cookie注入状态236
15.1.2函数式设计的服务器考量236
15.1.3深入研究函数式视图237
15.1.4嵌套服务237
15.2WSGI标准238
15.2.1在WSGI处理期间抛出异常240
15.2.2实用的WSGI应用程序242
15.3将Web服务定义为函数242
15.3.1创建WSGI应用程序243
15.3.2获取原始数据245
15.3.3运用过滤器246
15.3.4序列化结果247
15.3.5序列化数据为JSON或CSV格式248
15.3.6序列化数据为XML格式249
15.3.7序列化数据为HTML250
15.4跟踪使用情况251
15.5小结252
第16章优化与改进254
16.1记忆化和缓存254
16.2指定记忆化256
16.3尾递归优化257
16.4优化存储258
16.5优化精度259
16.6案例研究：卡方决策259
16.6.1使用Counter对象过滤和约分原始数据260
16.6.2读取汇总信息262
16.6.3Counter对象的求和计算263
16.6.4Counter对象的概率计算264
16.7计算期望值并显示列联表265
16.7.1计算卡方值267
16.7.2计算卡方阈值267
16.7.3计算不接近伽马函数268
16.7.4计算接近伽马函数270
16.7.5计算随机分布的概率271
16.8函数式编程设计模式273
16.9小结274