百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

Java对比学习Pyton之高级特性:函数式编程

ztj100 2025-05-23 21:35 13 浏览 0 评论

函数式编程java变化的比较慢,但是python却是天生支持的,非常的友好,不过不太建议嵌套太多层,太影响阅读。接下来我们来对比一下Java和Python的 函数式编程


一、什么是函数式编程?

函数式编程(Functional Programming)是一种将**函数作为“第一等公民”**的编程范式,强调:

  • 没有副作用(pure function)
  • 不修改状态(immutable data)
  • 支持高阶函数(函数可以作为参数或返回值)
  • 常用表达:map、filter、reduce、lambda 等

二、对比:Java vs Python 的函数式编程支持

特性

Java

Python

Lambda表达式

Java 8 引入:(x) -> x * 2

内建支持:lambda x: x * 2

函数作为参数

通过 Function<T,R> 接口实现

所有函数都是一等公民

map/filter/reduce

Stream.map() 等

内建函数:map(), filter(), reduce()

函数返回函数

通过嵌套函数或类实现

支持闭包,天然支持

偏函数 / 装饰器

需要第三方库

内建 functools.partial, @decorator

代码简洁性

相对啰嗦

极其简洁


三、核心语法对比与示例

1.Lambda 表达式

// Java
Function<Integer, Integer> doubleFn = x -> x * 2;
System.out.println(doubleFn.apply(5)); // 输出 10
# Python
double_fn = lambda x: x * 2
print(double_fn(5))  # 输出 10

2.map() 映射操作

// Java
List<Integer> list = Arrays.asList(1, 2, 3);
list.stream().map(x -> x * 2).collect(Collectors.toList());
# Python
list(map(lambda x: x * 2, [1, 2, 3]))  # 输出 [2, 4, 6]

3.filter() 过滤操作

// Java
list.stream().filter(x -> x % 2 == 0).collect(Collectors.toList());
# Python
list(filter(lambda x: x % 2 == 0, [1, 2, 3, 4]))  # 输出 [2, 4]

4.reduce() 累积计算

// Java
int sum = list.stream().reduce(0, (a, b) -> a + b);
# Python
from functools import reduce
reduce(lambda a, b: a + b, [1, 2, 3, 4])  # 输出 10

5.高阶函数(函数作为参数)

java在高版本支持了么??

def operate(func, value):
    return func(value)

print(operate(lambda x: x ** 2, 5))  # 输出 25

6.函数返回函数(闭包)

def power(n):
    return lambda x: x ** n

square = power(2)
print(square(4))  # 输出 16

7.匿名函数

没有名字的函数,这个java和python都是支持的。

上面的例子中,返回的就是一个匿名函数
def power(n):
    return lambda x: x ** n

square = power(2)
print(square(4))  # 输出 16

四、Python 特有的函数式编程能力

1.装饰器(Decorator)

在不改动函数内部逻辑的情况下“动态增强函数功能”。本质上就是:

将一个函数作为参数传递给另一个函数,并返回一个新的函数。

这个增强功能和java的面向切面很像,不过java是通过cglib或者是jdk的动态代理来实现。

def logger(func):
    def wrapper(*args, **kwargs):
        print("调用函数:", func.__name__)
        return func(*args, **kwargs)
    return wrapper

@logger
def hello():
    print("Hello World")

hello()

输出:
调用函数: hello
Hello World

@符号在python和java中表达的含义不同,见下表:

项目

Python 装饰器

Java 注解

语法

@decorator

@Annotation

实现原理

函数嵌套 + 闭包

注解 + 编译器/运行时解析

应用对象

函数、方法、类

类、方法、字段等

应用场景

动态增强函数行为

编译检查、依赖注入、配置驱动等

自定义方式

简单灵活,函数式风格

需定义注解类,结合反射或注解处理器

Python 装饰器更偏向于 动态行为增强,而 Java 注解是 元数据标记,两者语法相似但用途不同。

2.偏函数(Partial Function)

functools模块提供的功能,其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。类似java中的重载,同样的方法固定一个默认值后再调用一次。

functools是系统内置的函数工具,非常强大,后续会拿模块使用专门写一篇文章,敬请关注。

from functools import partial

int2 = partial(int, base=2)
print(int2('1001'))  # 输出 9


函数编程是比较难的,没有其他途径,多练练就好了。你我共勉。

相关推荐

拒绝躺平,如何使用AOP的环绕通知实现分布式锁

如何在分布式环境下,像用synchronized关键字那样使用分布式锁。比如开发一个注解,叫@DistributionLock,作用于一个方法函数上,每次调方法前加锁,调完之后自动释放锁。可以利用Sp...

「解锁新姿势」 兄dei,你代码需要优化了

前言在我们平常开发过程中,由于项目时间紧张,代码可以用就好,往往会忽视代码的质量问题。甚至有些复制粘贴过来,不加以整理规范。往往导致项目后期难以维护,更别说后续接手项目的人。所以啊,我们要编写出优雅的...

消息队列核心面试点讲解(消息队列面试题)

Rocketmq消息不丢失一、前言RocketMQ可以理解成一个特殊的存储系统,这个存储系统特殊之处数据是一般只会被使用一次,这种情况下,如何保证这个被消费一次的消息不丢失是非常重要的。本文将分析Ro...

秒杀系统—4.第二版升级优化的技术文档二

大纲7.秒杀系统的秒杀活动服务实现...

SpringBoot JPA动态查询与Specification详解:从基础到高级实战

一、JPA动态查询概述1.1什么是动态查询动态查询是指根据运行时条件构建的查询,与静态查询(如@Query注解或命名查询)相对。在业务系统中,80%的查询需求都是动态的,例如电商系统中的商品筛选、订...

Java常用工具类技术文档(java常用工具类技术文档有哪些)

一、概述Java工具类(UtilityClasses)是封装了通用功能的静态方法集合,能够简化代码、提高开发效率。本文整理Java原生及常用第三方库(如ApacheCommons、GoogleG...

Guava 之Joiner 拼接字符串和Map(字符串拼接join的用法)

Guave是一个强大的的工具集合,今天给大家介绍一下,常用的拼接字符串的方法,当然JDK也有方便的拼接字符串的方式,本文主要介绍guava的,可以对比使用基本的拼接的话可以如下操作...

SpringBoot怎么整合Redis,监听Key过期事件?

一、修改Redis配置文件1、在Redis的安装目录2、找到redis.windows.conf文件,搜索“notify-keyspace-events”...

如何使用Python将多个excel文件数据快速汇总?

在数据分析和处理的过程中,Excel文件是我们经常会遇到的数据格式之一。本文将通过一个具体的示例,展示如何使用Python和Pandas库来读取、合并和处理多个Excel文件的数据,并最终生成一个包含...

利用Pandas高效处理百万级数据集,速度提升10倍的秘密武器

处理大规模数据集,尤其是百万级别的数据量,对效率的要求非常高。使用Pandas时,可以通过一些策略和技巧显著提高数据处理的速度。以下是一些关键的方法,帮助你使用Pandas高效地处理大型数据集,从而实...

Python进阶-Day 25: 数据分析基础

目标:掌握Pandas和NumPy的基本操作,学习如何分析CSV数据集并生成报告。课程内容...

Pandas 入门教程 - 第五课: 高级数据操作

在前几节课中,我们学习了如何使用Pandas进行数据操作和可视化。在这一课中,我们将进一步探索一些高级的数据操作技巧,包括数据透视、分组聚合、时间序列处理以及高级索引和切片。高级索引和切片...

原来这才是Pandas!(原来这才是薯片真正的吃法)

听到一些人说,Pandas语法太乱、太杂了,根本记不住。...

python(pandas + numpy)数据分析的基础

数据NaN值排查,统计,排序...

利用Python进行数据分组/数据透视表

1.数据分组源数据表如下所示:1.1分组键是列名分组键是列名时直接将某一列或多列的列名传给groupby()方法,groupby()方法就会按照这一列或多列进行分组。按照一列进行分组...

取消回复欢迎 发表评论: