本文示例程式碼已上傳至我的
Github倉庫https://github.com/CNFeffery/DataScienceStudyNotes
1 簡介
鏈式程式設計是一種非常高效的組織程式碼的方式，典型如pandas與scikit-learn中的pipe()，以及R中的管道操作符%>%等，它們都可以幫助我們像連線管道一樣，將計算過程中的不同步驟順滑的連線起來，從而取代繁瑣的函式巢狀以及避免多餘中間變數的建立。
鏈式程式設計與常規寫法的比較如下例：
# 非鏈式寫法
func4(func3(func2(func1(A))))
# 鏈式寫法
A.func1().func2().func3().func4()
哪一種寫法更簡潔明瞭，想必大家一眼就看得出來，而今天的文章就將帶大家認識如何藉助funct的力量，來改造Python原生列表，賦予其鏈式計算的能力。
2 利用funct.Array實現鏈式計算
funct的設計理念就是類似Python列表但更棒，它借鑑了numpy的很多特點，配合功能豐富的各種鏈式計算方法，使得我們在使用它完成計算任務編寫程式碼如絲般順滑時~
利用pip install funct完成安裝（本文演示版本為0.9.2）之後，下面我們來認識它的一些優秀特性吧~
2.1 funct.Array的建立
funct中類比列表和numpy中的陣列，創造了Array這種特別的資料結構，常用的有如下幾種建立方式：
- 從其他資料結構建立
最常規的方式是從現有的其他資料結構，轉換到Array，常見如下面的幾個例子：
- 類似numpy風格的規則建立方法
除了從現成的資料中建立Array之外，我們還可以類似numpy中的linspace()等API那樣，基於規則批量建立資料，常用的有如下兩種方法：
- 建立巢狀Array
既然是建立在列表的基礎上，那麼funct對巢狀Array尤其是不規則巢狀Array的支援也是很到位的：
但在配合多個numpy陣列構建巢狀Array時要注意，最後一定要加上toArray()方法才能徹底完成轉換：
2.2 funct.Array的索引
大致介紹完如何建立funct.Array之後，很重要的一點就是如何對已有Array進行索引，在funct中針對Array設計瞭如下幾種豐富的索引方式：
- 列表式索引
既然繼承自列表，自然可以使用Python原生列表的索引與切片方式：
- 陣列式索引
我們都知道Python原生列表不能傳入一系列標號對應的陣列來一次性索引出多個值，除非轉換為numpy陣列或pandas的Series，但這又會在一些應用場景下丟失靈活性，但在Array中，它可以！
- Bool值索引
Array同樣支援傳入Bool值索引，使得我們可以將某個條件判斷之後的判斷結果作為索引依據傳入：
- 多層索引
既然Array是支援巢狀結構的，自然可以進行多層索引，但需要注意的是：
2.3 funct.Array的鏈式騷操作
講完了如何建立與索引funct.Array之後，就來到了本文的重頭戲——Array的鏈式運算上，在funct.Array中，幾乎所有常見的數值與邏輯運算都被封裝到方法中，我們來一階一階的來看看不同情況下如何組織程式碼：
- level1：基礎的數值運算
首先我們來看看最基礎的四則運算等操作在Array中如何鏈式下去：
這樣每一步都很清楚，且每一步都可以獨立新增註釋，保持了程式碼的可讀性，譬如可用於歸一化與標準化的計算上：
- level2：配合map方法推廣元素級別運算
除了使用內建的基礎的運算方法之外，在funct.Array中還支援配合map()方法將任意函式應用到每個元素上，從而無限拓寬計算的自由性，譬如我們在前面歸一化的基礎上對資料進行分箱：
- level3：配合zip方法引入其他Array參與運算
當我們想要在鏈式運算中引入其他陣列物件時，就可以用到更高階的zip()方法，譬如我們想找出多個Array中相同位置最大值：
- level4：條件分組
在pandas中我們可以利用groupby()進行資料分箱並銜接任意形式的運算，在funct.Array中我們也可以配合groupBy()方法實現：
而除了本文介紹到的這一點API之外，funct還提供了上百種實用API，並且還具有並行執行與併發執行等高階特性，感興趣的朋友可以前往官方文件檢視（ https://github.com/Lauriat/funct ）。
以上就是本文的全部內容，歡迎在評論區與我進行討論~