Python支持函数式编程，核心是将函数作为一等公民，通过map、filter、reduce和函数组合等方式处理数据，强调不可变性、无副作用和逻辑清晰性。
Python虽然不是纯函数式语言，但完全支持函数式编程的核心思想：把函数当作一等公民，用组合、映射、过滤、化简等方式处理数据，而非依赖可变状态和循环。关键不在于“写得像Haskell”，而在于用更清晰、更可测、更易复用的方式组织逻辑。
映射（map）：对序列中每个元素独立应用函数
map 的本质是“批量转换”——它不改变原数据结构，也不产生副作用，只返回一个新迭代器，其中每个值都是原元素经函数处理后的结果。
常见用法示例：
- 用
map(str.upper, ['a', 'b', 'c'])得到['A', 'B', 'C']（注意：需转为 list 才能查看） - 用
map(lambda x: x * 2, range(3))得到[0, 2, 4] - 与自定义函数配合：
def square(x): return x**2，再list(map(square, [1, 2, 3]))
提醒：Python 3 中 map 返回迭代器，不是列表；若需多次遍历或索引，记得显式转成 list 或 tuple。
立即学习“Python免费学习笔记（深入）”；
组合（function composition）：把多个小函数串成一个大逻辑
函数组合不是 Python 内置语法，但它是函数式思维的精髓：f ∘ g 表示“先执行 g，再把结果传给 f”。这种写法让逻辑更专注、更易测试。
手动实现简单组合：
核验域名可用性、安全状态及风险标记，输出验证结论、失败原因和敏感标签，清理风险域名，优化外贸邮件列表，降低退信概率。
def compose(f, g):
return lambda x: f(g(x))
例如：to_upper = compose(str.upper, str.strip)，那么 to_upper(" hello ") 就是 "HELLO"。
更实用的方式是用工具库（如 toolz 或 fn.py），或借助 functools.reduce 实现多函数链式组合：
from functools import reducepipeline = reduce(lambda f, g: lambda x: f(g(x)), [f, g, h])
实际中，组合更适合封装领域操作，比如：clean → parse → validate → format，每步职责单一，可单独调试。
别只盯着 map 和 lambda：filter 与 reduce 同样重要
函数式处理数据常是三步走：筛选 → 转换 → 归约。
-
filter：保留满足条件的元素，如
list(filter(lambda x: x > 0, [-2, -1, 0, 1, 2]))→[1, 2] -
reduce（需导入）：把序列逐步压缩成单个值，如求和
reduce(lambda a, b: a + b, [1,2,3])→6；也可用于连接字符串、找最大值、构建字典等
注意：reduce 不是万能替代 for 循环的工具。当逻辑复杂或需提前退出时，传统循环反而更直观。函数式的价值在于“意图明确”，而不是“必须不用 for”。
实战建议：何时用、怎么用才自然
在真实项目中，函数式风格应服务于可读性，而非炫技：
- 对简单、无状态的批量操作（如统一格式化字段、提取属性），
map比 for 更简洁 - 嵌套过深的
map(lambda...)可读性差，不如写成命名函数或用列表推导式（[f(x) for x in xs]本质也是函数式思维） - 组合适合构建配置化流程，比如日志处理器链、API 请求中间件、数据清洗管道
- 避免为了“函数式”而忽略错误处理——
map遇到异常会直接中断，必要时用try/except包裹或改用生成器函数
函数式不是银弹，但掌握它会让你在面对数据流、异步链路、配置驱动逻辑时，有更多干净有力的表达方式。
