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 50 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

其实TensorFlow真的很水无非就这30篇熬夜练

好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...

交叉验证和超参数调整:如何优化你的机器学习模型

准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...

机器学习交叉验证全指南:原理、类型与实战技巧

机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...

深度学习中的类别激活热图可视化

作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...

超强,必会的机器学习评估指标

大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...

机器学习入门教程-第六课:监督学习与非监督学习

1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...

Python教程(三十八):机器学习基础

...

Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置

你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...

超全面讲透一个算法模型,高斯核!!

...

神经网络与传统统计方法的简单对比

传统的统计方法如...

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

...

自回归滞后模型进行多变量时间序列预测

下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...

苹果AI策略:慢哲学——科技行业的“长期主义”试金石

苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...

时间序列预测全攻略,6大模型代码实操

如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...

AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN

...

取消回复欢迎 发表评论: