在函数(一)中看到，函数内部也有很多对象，现在再补充一个对象：__defaults__，该对象保存了参数的默认值，并以元组形式存在，如果手动修改其内容，函数的关键字参数赋值将被覆盖：
#动态管理函数参数的默认值 #函数参数默认值存于__defaults__，是元组类型对象 def paramsize(bytesize,trans='KB'): if trans=='KB': size=1024 if trans=='MB': size=1024**2 if trans=='GB': size=1024**3 if trans=='TB': size=1024**4 return str(bytesize//size)+trans print(paramsize.__defaults__) #手动修改 paramsize.__defaults__=('TB',) print(paramsize.__defaults__) paramsize(1021302345678900987654321234567)结果为： 关于以上代码，顺便可以插入一个细节，当元组只有一个元素时，必须要在元素后加逗号‘,’例如(6,)，这才算一个元组
函数式编程是一种编程规范，因为调用函数本质是函数复用的过程，通过将处理过程结构化（函数化：将复用代码封装成函数）可以减少代码冗余 另外，函数在python中和列表，元组等数据结构地位一样，都是一个对象(这从一个方面反映了函数也可以作为参数传入另一个函数)：
a=5 def func(): pass b=[1,2,3] c='python' print(type(a),type(func),type(b),type(c)) #<class 'int'> <class 'function'> <class 'list'> <class 'str'> #看出函数也是一个对象匿名函数指的是没有函数名的函数对象，其作用在于减少代码量，正好体现了Python的简洁优美，匿名函数用于简单函数的表达，用关键字lambda开头，在冒号‘:’前是参数，后面则是返回值，举个例子：
#将匿名函数对象赋值给lambdaf，以便进行调用 lambdaf=lambda x,y:x**2+y**2 #等价于 def func(x,y): return x**2+y**2由上看出，匿名函数确实将一个函数简写到1行，调用lambdaf(2,3)等价于调用func(2,3)，此外，其类型type(lambdaf)同样是class ‘function’ 匿名函数的便捷性更多体现在下面要说的高阶函数中，因为高阶函数需要以函数作为参数，匿名函数的简洁正好很适合直接写成参数
高阶函数以函数作为参数，可以简单理解为给作为参数的函数增加了特定的功能，高阶函数很多，有必要掌握python内置高阶函数：map，reduce，filter，因为它们的应用很广泛 1.map函数：在这里，map并不是地图的意思，而是mapping，即映射；它会对可迭代对象按照位置逐一进行操作，在map的说明文档里有：
map(func, *iterables) --> map object根据第四课的学习，我们很容易就看出，iterables是可变位置参数，也就是说map每次按位置操作的对象不限个数，func参数一般就写上lambda函数，func每次接收的数据来自iterables，map所做的就是将iterables的元素逐一取出给func进行操作并保存结果，而最终完整返回的是一个map对象，所以在查看内容时注意类型转换 想象一个场景：对列表中的每个数进行三次方，列表为：li=[1,2,3,4,5,6] 在没接触map时，我会想到用for循环来做，既然有了map，我现在可以一行代码就完成这个任务：
list(map(lambda x:x**3,li))list()是为了将map对象转为列表好观察 以上代码等价于：
def cubelist(x): return x**3 list(map(cubelist,li))前面看到iterables是可变位置参数，所以map可以处理多个可迭代对象，比如对三个列表的每个元素求和得到一个新列表：
lisa,lisb,lisc=[1,2,3],[4,5,6],[7,8,9]#多重赋值 list(map(lambda x,y,z:x+y+z,lisa,lisb,lisc))2.reduce函数：reduce函数用于同一可迭代对象的两两元素之间进行操作，操作结果与下一个元素继续操作，可以看出最终这个序列（就是上面说的可迭代对象）的规模在不断缩小，因此得名reduce，中文意思是减少 在文档中有说明： reduce(function,sequence[,initial])->value 注意两个地方： 第一个，sequence[,initial]就是上面提到的序列，initial在中括号[…]里，代表可选参数，指的是对序列进行操作前，预定好一个初始值，然后在这个值的基础上进行操作（不要错误想成是从序列哪一个索引开始操作）； 第二个，reduce每次操作返回的都是一个值，而不是像map一样返回一个map对象； 举个实例，对列表元素逐一求和：
#先导入reduce from functools import reduce li=[1,2,3,4,5] reduce(lambda x,y:x+y,li)结果是15，如果改成reduce(lambda x,y:x+y,li,10)，结果将是10+15=25： 3.filter函数：filter函数是对可迭代对象进行过滤，返回一个新对象，因此形象地被大家叫做filter(滤波器)： filter(function or None,iterable)->filter object iterable只是一个位置参数，说明filter只能对一个可迭代对象进行过滤； filter会按照function这个规则过滤可迭代对象，该规则必须返回bool值（True,False），True代表保留，False代表过滤，常常会用到三元表达式； 若function为None，相当于没有过滤，但返回的是filter对象； 假设现在遇到一个问题：筛选出列表中小于3的元素
li=[7,5,1,3,2,0,8,9] list(filter(lambda x:True if x<3 else False,li))再来一个非常简单的问题：做一个全通滤波器，即使用filter复制一个列表
li=[7,5,1,3,2,0,8,9] list(filter(None,li))扩展：sorted函数
sorted(iterable, key=None, reverse=False)，默认排序是升序排列，sorted在NLP中很常用，key参数接收的是一个函数，比如现在有一组人员信息：
students=[('john','A',15),('jane','B',12),('dave','B',10)]我现在按年龄给他们排序：
sorted(students,key=lambda x:x[2]) #[('dave', 'B', 10), ('jane', 'B', 12), ('john', 'A', 15)]这样看来，可以稍微总结一个规律：高阶函数总是按可迭代对象中的微观元素进行操作的，操作的规则由位置参数func对应的函数决定，不同的高阶函数就像是给func每次的操作增加了特定功能
