（数据科学学习手札107）在Python中利用funct实现链式风格编程
（数据科学学习手札107）在Python中利用funct实现链式风格编程
本文示例代码已上传至我的
Github仓库https://github.com/CNFeffery/DataScienceStudyNotes
1 简介
链式编程是一种非常高效的组织代码的方式，典型如pandas与scikit-learn中的pipe()，以及R中的管道操作符%>%等，它们都可以帮助我们像连接管道一样，将计算过程中的不同步骤顺滑的连接起来，从而取代繁琐的函数嵌套以及避免多余中间变量的创建。
图1
链式编程与常规写法的比较如下例：
# 非链式写法
func4(func3(func2(func1(A))))
# 链式写法
A.func1().func2().func3().func4() 哪一种写法更简洁明了，想必大家一眼就看得出来，而今天的文章就将带大家认识如何借助funct的力量，来改造Python原生列表，赋予其链式计算的能力。
2 利用funct.Array实现链式计算
funct的设计理念就是类似Python列表但更棒，它借鉴了numpy的很多特点，配合功能丰富的各种链式计算方法，使得我们在使用它完成计算任务编写代码如丝般顺滑时~
利用pip install funct完成安装（本文演示版本为0.9.2）之后，下面我们来认识它的一些优秀特性吧~
2.1 funct.Array的创建
funct中类比列表和numpy中的数组，创造了Array这种特别的数据结构，常用的有如下几种创建方式：
- 从其他数据结构创建
最常规的方式是从现有的其他数据结构，转换到Array，常见如下面的几个例子：
图2
- 类似numpy风格的规则创建方法
除了从现成的数据中创建Array之外，我们还可以类似numpy中的linspace()等API那样，基于规则批量创建数据，常用的有如下两种方法：
图3
- 创建嵌套Array
既然是建立在列表的基础上，那么funct对嵌套Array尤其是不规则嵌套Array的支持也是很到位的：
图4
但在配合多个numpy数组构建嵌套Array时要注意，最后一定要加上toArray()方法才能彻底完成转换：
图5
2.2 funct.Array的索引
大致介绍完如何创建funct.Array之后，很重要的一点就是如何对已有Array进行索引，在funct中针对Array设计了如下几种丰富的索引方式：
- 列表式索引
既然继承自列表，自然可以使用Python原生列表的索引与切片方式：
图6
- 数组式索引
我们都知道Python原生列表不能传入一系列标号对应的数组来一次性索引出多个值，除非转换为numpy数组或pandas的Series，但这又会在一些应用场景下丢失灵活性，但在Array中，它可以！
图7
- Bool值索引
Array同样支持传入Bool值索引，使得我们可以将某个条件判断之后的判断结果作为索引依据传入：
图8
- 多层索引
既然Array是支持嵌套结构的，自然可以进行多层索引，但需要注意的是：
图9
2.3 funct.Array的链式骚操作
讲完了如何创建与索引funct.Array之后，就来到了本文的重头戏——Array的链式运算上，在funct.Array中，几乎所有常见的数值与逻辑运算都被封装到方法中，我们来一阶一阶的来看看不同情况下如何组织代码：
- level1：基础的数值运算
首先我们来看看最基础的四则运算等操作在Array中如何链式下去：
图10
这样每一步都很清楚，且每一步都可以独立添加注释，保持了代码的可读性，譬如可用于归一化与标准化的计算上：
图11
- level2：配合map方法推广元素级别运算
除了使用内置的基础的运算方法之外，在funct.Array中还支持配合map()方法将任意函数应用到每个元素上，从而无限拓宽计算的自由性，譬如我们在前面归一化的基础上对数据进行分箱：
图12
- level3：配合zip方法引入其他Array参与运算
当我们想要在链式运算中引入其他数组对象时，就可以用到更高级的zip()方法，譬如我们想找出多个Array中相同位置最大值：
图13
- level4：条件分组
在pandas中我们可以利用groupby()进行数据分箱并衔接任意形式的运算，在funct.Array中我们也可以配合groupBy()方法实现：
图14
而除了本文介绍到的这一点API之外，funct还提供了上百种实用API，并且还具有并行执行与并发执行等高级特性，感兴趣的朋友可以前往官方文档查看（ https://github.com/Lauriat/funct ）。
以上就是本文的全部内容，欢迎在评论区与我进行讨论~