函数进阶：参数传递，高阶函数，lambda 匿名函数，global 变量，递归
函数是基本类型
在 Python 中，函数是一种基本类型的对象，这意味着
- 可以将函数作为参数传给另一个函数
- 将函数作为字典的值储存
- 将函数作为另一个函数的返回值
def square(x):
"""Square of x."""
return x*x
def cube(x):
"""Cube of x."""
return x*x*x作为字典的值：
funcs = {
'square': square,
'cube': cube,
}例子：
x = 2
print square(x)
print cube(x)
for func in sorted(funcs):
print func, funcs[func](x)4
8
cube 8
square 4函数参数
引用传递
Python 中的函数传递方式是 call by reference 即引用传递，例如，对于这样的用法：
x = [10, 11, 12]
f(x)传递给函数 f 的是一个指向 x 所包含内容的引用，如果我们修改了这个引用所指向内容的值（例如 x[0]=999），那么外面的 x 的值也会被改变。不过如果我们在函数中赋给 x 一个新的值（例如另一个列表），那么在函数外面的 x 的值不会改变：
def mod_f(x):
x[0] = 999
return x
x = [1, 2, 3]
print x
print mod_f(x)
print x[1, 2, 3]
[999, 2, 3]
[999, 2, 3]def no_mod_f(x):
x = [4, 5, 6]
return x
x = [1,2,3]
print x
print no_mod_f(x)
print x[1, 2, 3]
[4, 5, 6]
[1, 2, 3]默认参数是可变的！
函数可以传递默认参数，默认参数的绑定发生在函数定义的时候，以后每次调用默认参数时都会使用同一个引用。
这样的机制会导致这种情况的发生：
def f(x = []):
x.append(1)
return x理论上说，我们希望调用 f() 时返回的是 [1]， 但事实上：
print f()
print f()
print f()
print f(x = [9,9,9])
print f()
print f()[1]
[1, 1]
[1, 1, 1]
[9, 9, 9, 1]
[1, 1, 1, 1]
[1, 1, 1, 1, 1]而我们希望看到的应该是这样：
def f(x = None):
if x is None:
x = []
x.append(1)
return x
print f()
print f()
print f()
print f(x = [9,9,9])
print f()
print f()[1]
[1]
[1]
[9, 9, 9, 1]
[1]
[1]高阶函数
以函数作为参数，或者返回一个函数的函数是高阶函数，常用的例子有 map 和 filter 函数：
map(f, sq) 函数将 f 作用到 sq 的每个元素上去，并返回结果组成的列表，相当于：
[f(s) for s in sq]map(square, range(5))[0, 1, 4, 9, 16]filter(f, sq) 函数的作用相当于，对于 sq 的每个元素 s，返回所有 f(s) 为 True 的 s 组成的列表，相当于：
[s for s in sq if f(s)]def is_even(x):
return x % 2 == 0
filter(is_even, range(5))[0, 2, 4]一起使用：
map(square, filter(is_even, range(5)))[0, 4, 16]reduce(f, sq) 函数接受一个二元操作函数 f(x,y)，并对于序列 sq 每次合并两个元素：
def my_add(x, y):
return x + y
reduce(my_add, [1,2,3,4,5])15传入加法函数，相当于对序列求和。
返回一个函数：
def make_logger(target):
def logger(data):
with open(target, 'a') as f:
f.write(data + '\n')
return logger
foo_logger = make_logger('foo.txt')
foo_logger('Hello')
foo_logger('World')!cat foo.txtHello
Worldimport os
os.remove('foo.txt')匿名函数
在使用 map， filter，reduce 等函数的时候，为了方便，对一些简单的函数，我们通常使用匿名函数的方式进行处理，其基本形式是：
lambda : 例如，我们可以将这个：
print map(square, range(5))[0, 1, 4, 9, 16]用匿名函数替换为：
print map(lambda x: x * x, range(5))[0, 1, 4, 9, 16]匿名函数虽然写起来比较方便（省去了定义函数的烦恼），但是有时候会比较难于阅读：
s1 = reduce(lambda x, y: x+y, map(lambda x: x**2, range(1,10)))
print(s1)285当然，更简单地，我们可以写成这样：
s2 = sum(x**2 for x in range(1, 10))
print s2285global 变量
一般来说，函数中是可以直接使用全局变量的值的：
x = 15
def print_x():
print x
print_x()15但是要在函数中修改全局变量的值，需要加上 global 关键字：
x = 15
def print_newx():
global x
x = 18
print x
print_newx()
print x18
18如果不加上这句 global 那么全局变量的值不会改变：
x = 15
def print_newx():
x = 18
print x
print_newx()
print x18
15递归
递归是指函数在执行的过程中调用了本身，一般用于分治法，不过在 Python 中这样的用法十分地小，所以一般不怎么使用：
Fibocacci 数列：
def fib1(n):
"""Fib with recursion."""
# base case
if n==0 or n==1:
return 1
# recurssive caae
else:
return fib1(n-1) + fib1(n-2)
print [fib1(i) for i in range(10)][1, 1, 2, 3, 5, 8, 13, 21, 34, 55]一个更高效的非递归版本：
def fib2(n):
"""Fib without recursion."""
a, b = 0, 1
for i in range(1, n+1):
a, b = b, a+b
return b
print [fib2(i) for i in range(10)][1, 1, 2, 3, 5, 8, 13, 21, 34, 55]速度比较：
%timeit fib1(20)
%timeit fib2(20)100 loops, best of 3: 5.35 ms per loop
100000 loops, best of 3: 2.2 µs per loop对于第一个递归函数来说，调用 fib(n+2) 的时候计算 fib(n+1), fib(n)，调用 fib(n+1) 的时候也计算了一次 fib(n)，这样造成了重复计算。
使用缓存机制的递归版本，这里利用了默认参数可变的性质，构造了一个缓存：
def fib3(n, cache={0: 1, 1: 1}):
"""Fib with recursion and caching."""
try:
return cache[n]
except KeyError:
cache[n] = fib3(n-1) + fib3(n-2)
return cache[n]
print [fib3(i) for i in range(10)]
%timeit fib1(20)
%timeit fib2(20)
%timeit fib3(20)[1, 1, 2, 3, 5, 8, 13, 21, 34, 55]
100 loops, best of 3: 5.37 ms per loop
100000 loops, best of 3: 2.19 µs per loop
The slowest run took 150.16 times longer than the fastest. This could mean that an intermediate result is being cached
1000000 loops, best of 3: 230 ns per loop