Python允許你，作為程序員，使用函數完成一些很酷的事情。在Python編程學習中，函數是一等對象(first-class object)，這就意味著你可以像使用字符串，整數，或者任何其他對象一樣使用函數。
Python允許你，作為程序員，使用函數完成一些很酷的事情。在Python編程學習中，函數是一等對象(first-class object)，這就意味著你可以像使用字符串，整數，或者任何其他對象一樣使用函數。
例如，你可以將函數賦值給變量：
>>> def square(n):
... return n * n;
>>> square(4)
16
>>> alias = square
>>> alias(4)
16
然而，一等函數的真正威力在於你可以把函數傳給其他函數，或者從其他函數中返回函數。Python的內置函數map利用了這種能力：給map傳個函數以及一個列表，它會依次以列表中每個元素為參數調用你傳給它的那個函數，從而生成一個新的列表。如下所示的例子中應用了上面的那個square函數:
>>> number = [1, 2, 3, 4, 5]
>>> map(square, numbers)
[1, 4, 9, 16, 25]
如果一個函數接受其他函數作為參數，以及/或者返回一個函數，那麼它就被稱為高階函數 。雖然map函數只是簡單地使用了我們傳給它的函數，而沒有改變這個函數，但我們也可以使用高階函數去改變其他函數的行為。
例如，假設有這樣一個函數，會被調用很多次，以致運行代價非常昂貴:
>>> def fib(n):
... "Recursively (i.e., dreadfully) calculate the nth Fibonacci number."
... return n if n in [0, 1] else fib(n - 2) + fib(n - 1)
我們一般會保存計算過程中每次遞歸調用的結果，這樣，對於函數調用樹中經常出現某個n，當需要計算n對應的結果時，就不需要重複計算了。有多種方式可以做到這點。例如，我們可以將這些結果存在一個字典中，當以某個值為參數調用fib函數時，就先到這個字典去查一下其結果是否已經計算出來了。
但這樣的話，每次我們想要調用fib函數，都需要重複那段相同的字典檢查樣板式代碼。相反，如果讓fib函數自己在內部負責存儲其結果，那麼在其他代碼中調用fib，就非常方便，只要簡單地調用它就行了。這樣一種技術被稱為memoization(注意沒有字母r的哦)。
我們可以把這種memoization代碼直接放入fib函數，但是Python為我們提供了另外一種更加優雅的選擇。因為可以編寫修改其他函數的函數，那麼我們可以編寫一個通用的memoization函數，以一個函數作為參數，並返回這個函數的memoization版本:
def memoize(fn):
stored_results = {}
def memoized(*args):
try:
# try to get the cached result
return stored_results[args]
except KeyError:
# nothing was cached for those args. let's fix that.
result = stored_results[args] = fn(*args)
return result
return memoized
如上， memoize 函數以另一個函數作為參數，函數體中創建了一個字典對象用來存儲函數調用的結果：鍵為被memoized包裝後的函數的參數，值為以鍵為參數調用函數的返回值。 memoize 函數返回一個新的函數，這個函數會首先檢查在 stored_results 字典中是否存在與當前參數對應的條目；如果有，對應的存儲值會被返回；否則，就調用經過包裝的函數，存儲其返回值，並且返回給調用者。memoize返回的這種新函數常被稱為"包裝器"函數，因為它只是另外一個真正起作用的函數外面的一個薄層。
很好，現在有了一個memoization函數，我們可以把fib函數傳給它，從而得到一個經過包裝的fib，這個版本的fib函數不需要重複以前那樣的繁重工作:
def fib(n):
return n if n in [0, 1] else fib(n - 2) + fib(n - 1)
fib = memoize(fib)
通過高階函數memoize，我們獲得了memoization帶來的好處，並且不需要對fib函數自己做出任何改變，以免夾雜著memoization的代碼而模糊了函數的實質工作。但是，你也許注意到上面的代碼還算有點彆扭，因為我們必須寫3遍fib。由於這種模式-傳遞一個函數給另一個函數，然後將結果返回給與原來那個函數同名的函數變量-在使用包裝器函數的代碼中極為常見，Python為其提供了一種特殊的語法：裝飾器:
@memoize
def fib(n):
return n if n in [0, 1] else fib(n - 2) + fib(n -1)
這裡，我們說memoize函數裝飾了fib函數。需要注意的是這僅是一種語法上的簡便寫法(譯註：就是我們常說的"語法糖")。這段代碼與前面的代碼片段做的是同樣的事情：定義一個名為fib的函數，把它傳給memoize函數，將返回結果存為名為fib的函數變量。特殊的(看起來有點奇怪的)@語法只是減少了冗餘。
你可以將多個裝飾器堆疊起來使用，它們會自底向上地逐個起作用。例如，假設我們還有另一個用來幫助調試的高階函數:
def make_verbose(fn):
def verbose(*args):
# will print (e.g.) fib(5)
print '%s(%s)' % (fb.__name__, ', '.join(repr(arg) for arg in args))
return fn(*args) # actually call the decorated function
return verbose
下面的兩個代碼片段做的是同樣的事情:
@memoize
@make_verbose
def fib(n):
return n if n in [0, 1] else fib(n - 2) + fib(n - 1)
def fib(n):
return n if n in [0, 1] else fib(n - 2) + fib(n - 1)
fib = memoize(make_verbose(fib))
有趣的是，Python並沒有限制你在@符號後只能寫一個函數名：你也可以調用一個函數，從而能夠高效地傳遞參數給裝飾器。假設我們並不滿足於簡單的memoization，還想將函數的結果存儲到memcached中。如果你已經寫了一個 memcached 裝飾器函數，那麼可以(例如)傳遞一個服務器地址給它:
@memcached('127.0.0.1:11211')
def fib(n):
return n if n in [0, 1] else fib(n - 2) + fib(n - 1)
非裝飾器語法的寫法會如下展開:
fib = memcached('127.0.0.1:11211')(fib)
Python配備有一些作為裝飾器使用的非常有用的函數。例如，Python有一個 classmethod 函數，可以創建大致類似於java的靜態方法:
class Foo(object):
SOME_CLASS_CONSTANT = 42
@classmethod
def add_to_my_constant(cls, value):
# Here, `cls` will just be Foo, buf if you called this method on a
# subclass of Foo, `cls` would be that subclass instead.
return cls.SOME_CLASS_CONSTANT + value
Foo.add_to_my_constant(10) # => 52
# unlike in Java, you can also call a classmethod on an instance
f = Foo()
f.add_to_my_constant(10) # => 52
旁註：文檔字符串
Python函數可以包含更多的信息，而不僅僅是代碼：它們也包含有用的幫助信息，比如函數名稱，文檔字符串:
>>> def fib(n):
... "Recursively (i.e., dreadfully) calculate the nth Fibonacci number."
... return n if n in [0, 1] else fib(n - 2) + fib(n - 1)
...
>>> fib.__name__
'fib'
>>> fib.__doc__
'Recursively (i.e., dreadfully) calculate the nth Fibonacci number.'
Python內置函數help輸出的就是這些信息。但是，當函數被包裝之後，我們看到就是包裝器函數的名稱和文檔字符串了:
>>> fib = memoized(fib)
>>> fib.__name__
'memoized'
>>> fib.__doc__
那樣的信息並沒有什麼用處。幸運的是，Python包含一個名為 functools.wraps 的助手函數，能夠把函數的幫助信息拷貝到其包裝器函數:
import functools
def memoize(fn):
stored_results = {}
@functools.wraps(fn)
def memoized(*args):
# (as before)
return memoized
使用裝飾器幫助你編寫裝飾器會使很多事情令人非常滿意。現在，如果使用更新過的memoize函數重試前面的代碼，我們將會看到得到保留的文檔：
>>> fib = memoized(fib)
>>> fib.__name__
'fib'
>>> fib.__doc__
'Recursively (i.e., dreadfully) calculate the nth Fibonacci number.'
原文: A primer on Python decorators
更多的Python編程學習教程下期繼續為大家更新！