纯函数

副标题 / 摘要 引用透明意味着“同样输入总有同样输出”。本文解释这一概念如何提升可测试性、可推理性与并发安全。 目标读者 希望写出更易测试代码的开发者 关注并发与一致性的工程师 正在学习函数式编程的人 背景 / 动机 当函数的返回值只依赖输入时，代码就更容易推理。 相反，隐藏的全局状态会让调试与重构成本陡增。 核心概念 引用透明：表达式可被其值替换而不改变程序行为 非透明：依赖外部状态或副作用 副作用：修改外部状态或进行 I/O 实践指南 / 步骤 核心计算逻辑保持纯函数 副作用放在边界层（I/O、数据库） 用依赖注入隔离状态 为纯函数写确定性测试 可运行示例 import time def pure_add(a: int, b: int) -> int: return a + b def impure_timestamp(x: int) -> int: return x + int(time.time()) if __name__ == "__main__": print(pure_add(2, 3)) print(impure_timestamp(2)) 解释与原理 引用透明让你可以把函数调用“当作常量”替换，这降低了推理难度。 非透明函数依赖外部状态，导致相同输入产生不同输出。 常见问题与注意事项 纯函数是否更慢？ 通常不会，反而更容易优化与缓存。 现实系统能完全纯吗？ 不能，但可以把副作用隔离在边界。 缓存和引用透明有什么关系？ 引用透明是安全缓存的前提。 最佳实践与建议 把业务规则写成纯函数 用 DTO 传递数据，避免隐式依赖 明确标注副作用函数 小结 / 结论 引用透明性提高了可预测性与测试效率。 即使无法彻底纯化，也应尽量把副作用隔离。 ...

副标题 / 摘要 不变性并不是“不能改”，而是“用新值替代旧值”。本文解释它如何降低错误、提升可测试性，并给出工程落地方式。 目标读者 经常处理共享状态与并发的工程师 需要提升可测试性与可维护性的开发者 对函数式思想有兴趣的团队负责人 背景 / 动机 大量线上问题来自“意外修改”：某个函数悄悄改了共享对象，导致后续逻辑出现不可预期的结果。 不变性让“修改”变成显式的“新值生成”，错误更容易被发现与隔离。 核心概念 不可变性：对象创建后不再改变 共享状态风险：多个模块引用同一对象，任何修改都会外溢 副作用：函数内部改变了外部可观察状态 实践指南 / 步骤 在核心逻辑中优先使用不可变数据结构 把“修改”改写为“返回新值” 把副作用集中在边界层（IO、缓存、DB） 使用类型或工具强制不可变（如 frozen） 可运行示例 from dataclasses import dataclass, replace @dataclass(frozen=True) class Order: id: int price: int def apply_discount(order: Order, rate: float) -> Order: new_price = int(order.price * (1 - rate)) return replace(order, price=new_price) if __name__ == "__main__": o1 = Order(id=1, price=100) o2 = apply_discount(o1, 0.2) print(o1, o2) 解释与原理 不变性让“状态变化”变成显式的数据流。 当对象不能被修改时，共享引用不会造成隐式副作用，测试也更容易覆盖到边界条件。 ...

副标题 / 摘要 函数式编程不是宗教，而是一套降低复杂度的方法。本文解释它为什么重要、何时适用，以及如何在现有项目中渐进引入。 目标读者 想提高代码可测试性与可维护性的工程师 需要处理并发、流式数据的开发者 对 FP 有兴趣但不知道如何落地的人 背景 / 动机 复杂系统的主要成本不是写代码，而是理解、调试和演进。 函数式编程强调纯函数、不可变性与组合，能显著减少隐藏状态与副作用带来的不确定性。 核心概念 纯函数：同样输入必然同样输出，没有副作用 不可变性：数据一旦创建就不再修改 高阶函数：函数作为参数或返回值 组合：用小函数拼成复杂逻辑 实践指南 / 步骤 先把“核心逻辑”写成纯函数，把 IO 放在边界层。 优先使用不可变数据，避免共享可变状态。 用 map/filter/reduce 表达数据流。 把副作用集中管理（日志、网络、数据库）。 用测试保证纯函数行为稳定。 可运行示例 from typing import List def normalize_prices(prices: List[int]) -> List[int]: return [p for p in prices if p > 0] def discount(prices: List[int], rate: float) -> List[int]: return [int(p * (1 - rate)) for p in prices] def total(prices: List[int]) -> int: return sum(prices) if __name__ == "__main__": raw = [100, -1, 200, 150] clean = normalize_prices(raw) discounted = discount(clean, 0.1) print(total(discounted)) 解释与原理 纯函数让“状态变化”显式化，减少隐藏副作用。 不可变性降低并发与缓存场景下的错误概率。 组合让复杂逻辑变成“可替换的积木”。 ...