一、返回函数

函数作为返回值

高阶函数除了可以接收函数作为参数外，还可以把函数作为结果值返回。我们来实现一个可变参数的求和。通常求和函数是这样定义的：

>>> def clac_sum(*args):
...     ax = 0
...     for i in args:
...             ax = ax + n
...     return ax
...

但是，如果不需要立刻求和，而是在后面的代码中，根据需要在计算怎么办？可以不返回求和的结果，而是返回求和的函数：

>>> def lazy_sum(*args):
...     def sum():
...             ax = 0
...             for n in args:
...                     ax = ax + n
...             return ax
...     return sum

当我们调用lazy_sum()时，返回的并不是求和结果，而是求和函数：

>>> f = lazy_sum(1, 3, 5, 7, 9)
>>> f
<function lazy_sum.<locals>.sum at 0x101c6ed90>

调用函数f时，才真正计算求和的结果：

>>> f()
25

在这个例子中，我们在函数lazy_sum中定义了函数sum，并且内部函数sum可以引用外部函数lazy_sum的参数和局部变量，当lazy_sum返回函数sum时，相关参数和变量都保存在返回的函数中，这种称为“闭包（Closure）”的程序结构拥有极大的威力。
请在注意一点，当我们调用lazy_sum()时，每次调用都会返回一个新的函数，即使传入相同的参数：

>>> f1 = lazy_sum(1, 3, 5, 7, 9)
>>> f2 = lazy_sum(1, 3, 5, 7, 9)
>>> f1 == f2
False

f1()和f2()调用结果互不影响。

闭包

注意到返回的函数在其定义内部引用了局部变量args，所以，当一个函数返回了一个函数后，其内部的局部变量还被新函数引用，所以，闭包用起来简单，实现起来可不容易。
另一个需要注意的问题是，返回的函数并没有立即执行，而是知道调用了f()才执行。我们来看一个例子：

>>> def count():
...     fs = []
...     for i in range(1, 4):
...             def f():
...                     return i * i
...             fs.append(f)
...     return fs
...
>>> f1, f2, f3 = count()
>>> f1()
9
>>> f2()
9
>>> f3()
9

全部都是9！原因就在于返回的函数引用了变量i，但他并非立即执行。等到3个函数都返回时，他们所引用的变量i已经变成了3，因此最终结果是9。
返回闭包时牢记一点：返回函数不要引用任何循环变量，或者后续会发生变化的变量
如果一定要引用循环变量怎么办？方法是再创建一个函数，用该函数的参数绑定循环变量当前的值，无论该循环变量后续如何更改，已绑定到函数参数的值不变：

>>> def count():
...     def f(j):
...             def g():
...                     return j * j
...             return g
...     fs = []
...     for i in range(1, 4):
...             fs.append(f(i))
...     return fs
...
>>> f1, f2, f3 = count()
>>> f1()
1
>>> f2()
4
>>> f3()
9

二、匿名函数

当我们在传入函数时，有些时候，不需要显式地定义函数，直接传入匿名函数更方便。在Python中，对匿名函数提供了有限支持。还是以map()函数为例，计算f(x)=x²时，除了定义一个f(x)的函数外，还可以直接传入匿名函数：

>>> list(map(lambda x : x * x, [1, 2, 3, 4, 5, 6, 7, 8, 9]))
[1, 4, 9, 16, 25, 36, 49, 64, 81]

通过对比就可以看出，匿名函数lambda x : x * x实际上就是

def f(x):
    return x * x

关键字lambda表示匿名函数，冒号前面的x表示函数参数。
匿名函数有个限制，就是只能有一个表达式，不用写return，返回值就是该表达式的结果。用匿名函数有个好处，因为函数没有名字，不必担心函数名冲突。此外，匿名函数也是一个函数对象，也可以把匿名函数赋值给一个变量，再利用变量来调用该函数：

>>> f = lambda x : x * x
>>> f
<function <lambda> at 0x00000279E289C1E0>
>>> f(5)
25
# 作为返回值返回
>>> def build(x, y):
...     return lambda : x * x + y * y

三、装饰器

由于函数也是一个对象，而且函数对象可以被赋值给变量，所以，通过变量也能调用该函数。

>>> def now():
...     print('2019-5-13')
...
>>> f = now
>>> f()
2015-3-25

函数对象有一个__name__属性，可以拿到函数的名字：

>>> now.__name__
'now'
>>> f.__name__
'now'

现在，假设我们要增强now()函数的功能，比如，在函数调用前后自动打印日志，但又不希望修改now()函数的定义，这种在代码运行期间动态添加功能的方式，称之为“装饰器”（Decorator）。
本质上，decorator就是一个返回函数的高阶函数。所以，我们要定义一个能打印日志的decorator，定义如下：

>>> def log(func):
...     def wrapper(*args, **kw):
...             print('call %s():' % func.__name__)
...             return func(*args, **kw)
...     return wrapper
...

观察上面的log，因为他是一个decorator，所以接受一个函数作为参数，并返回一个函数。我们要借助Python的@语法，把decorator置于函数的定义处：

>>> @log
... def now():
...     print('2019-5-13')
...
>>> now()
call now():
2019-5-13

把@log放到now()函数的定义处，想但与执行了语句：

now = log(now)

由于log()是一个decorator，返回一个函数，所以，原来的now()函数依然存在，只是现在同名的now变量指向了新的函数，于是调用now()将执行新函数，即在log()函数中返回的wrapper()函数。
wrapper()函数的参数定义是(*args, **kw)，因此，wrapper()函数可以接受任意参数的调用。在wrapper()函数内，首先打印日志，在紧接着调用原始函数。
如果decorator本身需要传入参数，那就需要编写一个返回decorator的高阶函数，写出来会更复杂。比如要定义log的文本：

>>> def log(text):
...     def decorator(func):
...             def wrapper(*args, **kw):
...                     print('%s %s():' % (text, func.__name__))
...                     return func(*args, **kw)
...             return wrapper
...     return decorator
...
# 用法
>>> @log('hello')
... def now():
...     print('2019-5-13')
...
# 执行结果
>>> now()
hello now():
2019-5-13

和两层嵌套的decorator相比，3层嵌套的效果是这样的：

>>> now = log('hello')(now)

我们来剖析上面的语句，首先执行log('hello')，返回的是decorator函数，在调用返回的函数，参数是now函数的，返回值最终是wrapper函数。
以上两种decorator的定义都没有问题，但还差最后一步。因为我们讲了函数也是对象，他有__name__等属性，但你去看经过decorator装饰之后的函数，他们的__name__已经从原来的now变成了wrapper:

>>> now.__name__
'wrapper'

因为返回的那个wrapper()函数名字就是wrapper，所以，需要把原始函数的__nane__等属性复制到'wrapper()'函数中，否则，有些依赖函数签名的代码执行就会出错。不需要编写wrapper.__name__ = func.__name__这样的代码，Python内置的functools.wraps就是干这个事的，所以，一个完整的decorator的写法如下：

>>> import functools
>>> def log(func):
...     @functools.wraps(func)
...     def wrapper(*args, **kw):
...             print('call %s():' % func.__name__)
...             return func(*args, **kw)
...     return wrapper
...

四、偏函数

Python的functools模块提供了很多有用的功能，其中一个就是偏函数（Partial function）。要注意，这里的偏函数和数学意义上的偏函数不一样。在介绍函数参数的时候，我们讲到，通过设定参数的默认值，可以降低函数的难度。而偏函数也可以做到这一点。例子：
int()函数可以把字符串转换为整数，当传入字符串时，int()函数默认按十进制转换：

>>> int('12345')
12345

但是int()函数还提供额外的base参数，默认值为10，如果传入base参数，就可以做N进制的转换：

>>> int('12345', base=8)
5349
>>> int('12345', base=16)
74565

假设要转换大量的二进制字符串，每次传入int(x, base=2)非常麻烦，于是我们想到，可以定义一个int2()函数，默认把base=2穿进去：

>>> def int2(x, base=2):
...     return int(x, base)
...

这样我们转换二进制就非常方便了：

>>> int2('1000000')
64
>>> int2('1010101')
85

functools.partial就是帮助我们创建一个偏函数的，不需要我们自己定义int2()，可以直接使用下面的代码创建一个新的函数int2：

>>> import functools
>>> int2 = functools.partial(int, base=2)
>>> int2('1000000')
64
>>> int2('1010101')
85

所以简单总结functools.partial的作用就是，把一个函数的某些参数给固定住（也就是设置默认值），返回一个新的函数，调用这个新函数会更简单。
注意到上面的int2函数，仅仅是把base参数重新设定默认值为2，但也可以在函数调用时传入其他值:

>>> int2('1000000', base=10)
1000000

最后，创建偏函数的时候，实际可以接收函数对象、args和**kw这3个参数，当传入：

int2 = functools.partial(int, base=2)

实际上固定了int()函数的关键字参数base，也就是：

int2('10010')

相当于：

kw = {'base' : 2}
int('10010', **kw)

当传入：

max2 = functools.partial(max, 10)

实际上会把10作为*args的一部分自动加到左边，也就是：

max2(5, 6, 7)

相当于：

args = (10, 5, 6, 7)
max(*args)

结果为10