Python函数式编程强调用map和reduce清晰表达数据变换与归约，map实现惰性一对一映射，reduce实现二元累积聚合，二者组合可拆解复杂逻辑为单一职责步骤，但需避免在需索引、过滤或有副作用时强行使用。
Python的函数式编程思想不是要你写一堆lambda，而是用更清晰的逻辑表达“数据怎么变”。map和reduce是其中两个最实用的工具——它们不改变原数据，只专注“转换”和“归约”，让代码意图一目了然。
map：对每个元素做同一种变换
map的核心是“一对一映射”：给定一个可迭代对象和一个函数，它把函数依次作用在每个元素上，返回一个新的迭代器（不是列表，记得用list()转一下）。
比如把一串字符串全转成大写：
names = ['alice', 'bob', 'charlie']upper_names = list(map(str.upper, names)) # ['ALICE', 'BOB', 'CHARLIE']
注意三点：
• 第二个参数是函数名本身（如 str.upper），不要加括号；
• 可以传自定义函数或lambda，但优先用已有方法，更易读；
• map不修改原列表，也不立即执行，它是惰性的，适合处理大数据流。
立即学习“Python免费学习笔记（深入）”；
reduce：把多个值聚合成一个结果
reduce不在内置命名空间里，得从functools导入。它的逻辑是“反复合并”：用一个二元函数，把前两个元素算出结果，再拿这个结果和第三个元素继续算，直到只剩一个值。
比如求一串数字的乘积：
from functools import reducenums = [2, 3, 4, 5]
product = reduce(lambda x, y: x * y, nums) # 120
关键细节：
• 必须提供至少一个元素，空序列会报错（可加initial参数兜底）；
• 函数必须接收两个参数，顺序不能反（x是累计值，y是当前项）；
• 不是所有聚合都该用reduce——sum、max、any这些内置函数更直观，优先用它们。
map + reduce 组合：体现函数式思维的典型场景
想统计一段文本里每个单词出现次数？不用嵌套循环，可以拆成三步：
• 先用map把句子切分并标准化（转小写、去标点）；
• 再用map把每个词映射为(词, 1)元组；
• 最后用reduce按词合并计数。
实际中更推荐用Counter，但这个组合能帮你理清“数据流”：原始数据 → 中间结构 → 最终结果。每一步职责单一，容易测试和复用。
什么时候该避免用map/reduce？
当逻辑开始变复杂时，强行套用反而降低可读性：
• 需要访问索引或前后元素？用enumerate或zip更直接；
• 条件过滤多于变换？filter或列表推导式更自然；
• 函数里有状态或副作用（比如改全局变量）？说明设计已偏离函数式本意——纯函数才是基础。
