函数式编程在Python中依赖思路而非语法，核心是数据流变换，通过映射（map）实现批量纯函数处理，组合（compose）串联单参单返函数形成可复用流水线。
函数式编程在Python中不是靠语法强制，而是靠思路和习惯。核心是把计算看作“数据流”的变换：输入→处理→输出，中间不依赖或修改外部状态。组合与映射正是实现这种流动的两个关键动作。
映射（map）：对每个元素独立施加同一变换
映射的本质是“批量调用函数”，不改变结构，只更新内容。Python内置map()返回迭代器，适合链式处理；列表推导式则是更Pythonic的等价写法。
- 用map(func, iterable)时，确保func是纯函数（无副作用、输出只依赖输入）
- 遇到嵌套结构（如列表里有字典），别硬套一层map——先拆解逻辑：是“对每个字典取某个键”？还是“对每个字典的某个字段做转换”？再决定用map还是嵌套推导式
- 示例：把一串字符串转为长度，再筛选大于3的——list(filter(lambda x: x > 3, map(len, words)))，比写for循环更聚焦“做什么”，而非“怎么做”
组合（compose）：把多个小变换串成一个新函数
Python没有内置compose，但可以轻松构造。组合让代码更声明式：你定义“我要先转小写，再切分，再取首字母”，而不是“先a=lower(s)，再b=split(a)……”。关键是函数必须单参数、单返回值。
- 简单组合写法：lambda x: f(g(x))；通用版可用functools.reduce或自定义compose(f, g, h)
- 注意执行顺序：compose(f, g) 表示先g后f，即f(g(x))，符合数学惯例
- 实际中常配合partial或lambda预置参数，比如compose(partial(filter, lambda x: x % 2 == 0), range)生成偶数序列
组合 + 映射 = 可复用的数据流水线
真正体现函数式优势的场景，是把组合后的函数直接喂给map。这样一条流水线可被多次复用，且每段逻辑清晰、易测、易替换。
- 例如清洗用户数据：clean = compose(str.strip, str.lower, lambda s: s.replace(' ', '_'))，然后list(map(clean, raw_names))
- 如果某步需要上下文（如当前索引），map就不够用了——这时考虑enumerate配合lambda，或改用生成器表达式保持惰性
- 避免过度组合：三到四个函数串联是可读的极限；再长就该拆成有名字的中间函数，方便调试和复用
不追求“看起来像函数式”，而追求“逻辑更清晰”
用map不一定比for快（尤其小数据），compose也不一
定比直写省行数。价值在于：逻辑分离明确、测试边界清晰、后续扩展容易（比如把map换成concurrent.futures.ProcessPoolExecutor.map）。
- 优先用列表推导式代替map+list，除非你在构建延迟计算链（如配合filter、itertools）
- 函数命名体现意图，比如to_slug比clean_and_format更能说明组合后函数的职责
- 当发现要反复写map(f, map(g, data))，就是提取组合函数的好信号
