Python函数式设计的核心是无状态编程，即函数不依赖也不改变外部状态，每次输入相同数据都返回相同结果；强调纯函数、不可变数据和显式数据流，避免副作用，提升可测试性与可维护性。

Python函数式设计的核心是让函数不依赖也不改变外部状态，每次输入相同数据都返回相同结果——这就是无状态编程。它不是要你完全不用类或变量，而是优先用纯函数、不可变数据和显式数据流来组织逻辑。

纯函数：输入决定输出，不碰全局、不改参数

纯函数没有副作用：不修改传入的列表或字典，不读写文件，不调用random或time等非确定性函数。例如：

不推荐（有副作用）：

def add_item(items, new_item):
    items.append(new_item)  # 修改了原列表
    return items

推荐（返回新对象）：

def add_item(items, new_item):
    return items + [new_item]  # 原列表不变，返回新列表

• 用tuple代替list、用frozenset代替set，强制不可变
• 修改数据时，优先用map、filter、生成器表达式，而不是for循环+append
• 避免在函数内使用global或nonlocal

数据流显式化：参数进，返回值出，中间不“藏”状态

把依赖明确写成参数，把结果明确作为返回值。比如处理用户数据时，不要靠闭包记住配置，而应传入配置字典：

def format_user(user, config):
    return {
        "name": user["name"].upper() if config.get("uppercase") else user["name"],
        "age_group": "adult" if user["age"] >= 18 else "minor"
    }

• 用dataclass或NamedTuple封装结构化输入，比用普通字典更清晰、更易测试
• 链式调用时，用函数组合（如functools.partial或自定义compose）替代嵌套调用
• 避免在函数内部初始化连接、缓存、计数器等运行时状态

用高阶函数管理变化，而非隐藏变化

当必须处理状态（如计数、累积、上下文），不把它塞进函数体，而是通过高阶函数封装并暴露行为边界。例如：

from functools import reduce

def sum_positive(numbers):
    return reduce(lambda acc, x: acc + x if x > 0 else acc, numbers, 0)

• 用reduce替代手动维护acc = 0和循环累加
• 用itertools.accumulate替代边遍历边更新变量
• 用functools.lru_cache做缓存——它是声明式的、可配置的、可清除的，不是手写的cache = {}

测试与调试更直接

无状态函数天然适合单元测试：给定输入，断言输出即可，无需准备数据库、重置全局变量或模拟IO。调试时也只需关注数据如何随函数流转，而不是“谁在什么时候改了这个变量”。

实际项目中不必强求100%纯函数，但关键业务逻辑（如计算价格、校验规则、转换格式）保持无状态，能大幅降低耦合度和意外行为。

# python  # app  # python函数  # red