Python函数式编程以map、filter、reduce为三大基石：map对序列元素统一变换，filter按条件筛选，reduce将序列聚合成单个结果；三者均返回惰性迭代器，强调无副作用、可组合与易测试。
Python函数式编程的核心在于用高阶函数抽象数据处理逻辑，map、filter、reduce 是三大基石，它们让代码更简洁、可读性更强，也更容易并行化和测试。
map：对序列每个元素做统一变换
map 接收一个函数和一个可迭代对象，返回一个迭代器，把函数依次作用于每个元素。注意它不修改原数据，也不立即执行——只有遍历或转为 list 时才计算。
- 基础用法：list(map(lambda x: x ** 2, [1, 2, 3, 4])) → [1, 4, 9, 16]
- 替代 for 循环：比写 for + append 更声明式，尤其适合纯计算场景
- 多参数支持：map(pow, [2, 3, 4], [3, 2, 1])（对应计算 2³、3²、4¹）
- 注意：Python 3 中 map 返回迭代器，需显式转 list/tuple 才能多次使用
filter：按条件筛选元素
filter 接收一个判断函数（返回 True/False）和一个可迭代对象，只保留使函数返回 True 的元素。
- 常用写法：list(filter(lambda x: x % 2 == 0, range(10))) → [0, 2, 4, 6, 8]
- 与列表推导式等价但语义更明确：filter 强调“筛选逻辑”，[x for x in seq if cond] 更 Pythonic，但 filter 在组合高阶函数（如 map(filter(...))）时更自然
- 传入 None 作为函数时，自动过滤掉所有 falsy 值（如 0、''、None、[]）
reduce：将序列聚合成单个结果
reduce 不在内置命名空间中，需从 functools 导入。它接收一个二元函数、一个序列和可选的初始值，从左到右累积计算。
立即学习“Python免费学习笔记（深入）”；
- 基本形式：from functools import reduce; reduce(lambda x, y: x + y, [1,2,3,4]) → 10
- 常见用途：求和、乘积、最大值、嵌套结构展平、字符串拼接等
- 带初始值更安全：reduce(lambda acc, x: acc + [x*2], data, []) 可避免空序列报错
- 注意：过度使用 reduce 可能降低可读性；简单聚合优先考虑 sum()、max() 等内置函数
高阶函数实战：组合 map/filter/reduce 解决真实问题
例如处理一批用户数据，筛选活跃用户、提取邮箱域名、统计各域名出现次数：
- 原始数据：users = [{'name': 'a', 'email': 'a@gmail.com', 'active': True}, ...]
- 分步链式处理：
domains = map(lambda u: u['email'].split('@')[1],
filter(lambda u: u['active'], users))
from collections import Counter
stats = Counter(domains) - 也可用 reduce 实现统计：reduce(lambda d, dom: {**d, dom: d.get(dom, 0) + 1}, domains, {})
- 关键点：每一步都无副作用、输入输出清晰，便于单元测试和复用
