itertools 与 functools：Python 函数式编程的妙用

Python 的 itertools 和 functools 模块为函数式编程提供了强大工具，通过组合函数、惰性计算和高效操作简化复杂逻辑。下面分步解析其核心功能与应用场景：

1. itertools：迭代器工具库

核心思想：通过惰性计算生成数据流，避免内存溢出。
常用工具：

• 组合生成器：

  • 排列：permutations('AB', 2) → ('A','B'), ('B','A')
  • 组合：combinations('ABC', 2) → ('A','B'), ('A','C'), ('B','C')
  • 笛卡尔积：product([1,2], repeat=2) → (1,1), (1,2), (2,1), (2,2)
  • 数学背景：$n$ 个元素的 $k$ 组合数为 $\binom{n}{k} = \frac{n!}{k!(n-k)!}$

• 无限迭代器：

  from itertools import count, cycle
  # 生成自然数序列
  for i in count(start=0, step=2):  # 0, 2, 4, ...
      if i > 10: break
  # 循环遍历列表
  cycle(['A','B'])  # 'A', 'B', 'A', 'B'...
  

• 数据切片与过滤：

  from itertools import islice, takewhile
  # 惰性切片
  islice(count(), 5, 10)  # 生成 5~9
  # 条件截断
  takewhile(lambda x: x<5, [1,3,6,2])  # 1, 3 (遇到6终止)
  

2. functools：高阶函数操作

核心思想：将函数视为一等对象，支持函数组合与部分应用。
关键工具：

• 函数包装器：@lru_cache(maxsize=128)
  缓存函数结果，优化递归计算（如斐波那契数列）：

  @lru_cache
  def fib(n):
      return n if n < 2 else fib(n-1) + fib(n-2)
  

• 偏函数：partial(func, *args)
  冻结部分参数，创建新函数：

  from functools import partial
  pow_2 = partial(pow, exp=2)  # 固定指数为2
  pow_2(3)  # 9 (等价于 pow(3, exp=2))
  

• 函数归约：reduce(func, sequence)
  累积操作序列（如连乘）：

  from functools import reduce
  reduce(lambda x, y: x*y, [1,2,3,4])  # 24 (1*2*3*4)
  

  数学表达：
  $$ \text{reduce}(f, [a_1, a_2, \dots, a_n]) = f(f(\cdots f(a_1, a_2), \cdots), a_n) $$

3. 联合应用示例：数据流处理

结合两模块实现高效管道：

from itertools import groupby
from functools import reduce

# 按奇偶性分组求和
data = [1, 2, 3, 4, 5]
grouped = groupby(sorted(data), key=lambda x: x % 2)  # 分组为(0: [2,4]), (1: [1,3,5])
sums = {k: reduce(lambda a,b: a+b, g) for k, g in grouped}  # {0:6, 1:9}

4. 函数式编程优势

• 声明式风格：专注“做什么”而非“如何做”（如 reduce 替代循环）
• 资源优化：itertools 惰性计算节省内存
• 代码复用：partial 和函数组合提升模块化

通过灵活运用这些工具，可高效解决迭代处理、状态管理和算法优化等问题，体现函数式编程的简洁与威力。