本文通过五个实际案例演示 Python 函数的核心应用，包括验证码生成、质数判断、最大公约数计算、数据统计分析及双色球选号重构。深入讲解了函数封装、参数传递、类型注解及模块化编程的重要性，并补充了可变参数、作用域规则及 Lambda 表达式的用法，帮助开发者提升代码复用性与可维护性。
在 Python 开发中，函数是组织代码、提高复用性和可维护性的核心工具。通过封装独立且重复使用的功能，开发者可以显著减少冗余劳动，提升团队协作效率。本文将通过五个实际案例，深入讲解函数的设计、调用及优化技巧，并补充参数传递与作用域等关键知识点。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online
将 HTML 片段转为 GitHub Flavored Markdown，支持标题、列表、链接、代码块与表格等；浏览器内处理，可链接预填。 在线工具，HTML转Markdown在线工具，online
设计一个生成随机验证码的函数，验证码由数字和英文大小写字母构成，长度可通过参数设置。
import random
import string
ALL_CHARS = string.digits + string.ascii_letters
def generate_code(*, code_len=4):
"""
生成指定长度的验证码
:param code_len: 验证码的长度 (默认 4 个字符)
:return: 由大小写英文字母和数字构成的随机验证码字符串
"""
return ''.join(random.choices(ALL_CHARS, k=code_len))
说明：
string模块的digits代表 0-9 的数字字符串，ascii_letters代表大小写英文字母。random.choices实现有放回抽样，允许字符重复；若需不重复字符可使用random.sample。命名关键字参数code_len要求传参时必须指定参数名。
测试示例：
for _ in range(5):
print(generate_code())
# 输出示例：59tZ, QKU5, izq8...
for _ in range(5):
print(generate_code(code_len=6))
# 输出示例：FxJucw, HS4H9G...
设计一个判断给定大于 1 的正整数是否为质数的函数。质数是只能被 1 和自身整除的正整数。
def is_prime(num: int) -> bool:
"""
判断一个正整数是不是质数
:param num: 大于 1 的正整数
:return: 如果 num 是质数返回 True，否则返回 False
"""
if num < 2:
return False
for i in range(2, int(num ** 0.5) + 1):
if num % i == 0:
return False
return True
说明：
- 类型注解：
: int和-> bool增强了代码可读性，虽不影响执行但明确了接口契约。- 性能优化：只需循环到
sqrt(num)。若num有因子，必有一个小于等于其平方根。超过此范围无需继续检查。
计算两个正整数的最大公约数（GCD）和最小公倍数（LCM）。建议将这两个功能拆分为独立函数。
def lcm(x: int, y: int) -> int:
"""求最小公倍数"""
return x * y // gcd(x, y)
def gcd(x: int, y: int) -> int:
"""求最大公约数 (欧几里得算法)"""
while y % x != 0:
x, y = y % x, x
return x
说明：利用公式
LCM(x, y) = (x * y) / GCD(x, y)计算最小公倍数。gcd函数使用辗转相除法，效率高于遍历法。
设计计算样本数据描述性统计信息的函数，包括均值、中位数、极差、方差、标准差等。
def ptp(data):
"""极差（全距）"""
return max(data) - min(data)
def mean(data):
"""算术平均"""
return sum(data) / len(data)
def median(data):
"""中位数"""
temp, size = sorted(data), len(data)
if size % 2 != 0:
return temp[size // 2]
else:
return mean(temp[size // 2 - 1:size // 2 + 1])
def var(data, ddof=1):
"""方差"""
x_bar = mean(data)
temp = [(num - x_bar) ** 2 for num in data]
return sum(temp) / (len(temp) - ddof)
def std(data, ddof=1):
"""标准差"""
return var(data, ddof) ** 0.5
def cv(data, ddof=1):
"""变异系数"""
return std(data, ddof) / mean(data)
def describe(data):
"""输出描述性统计信息"""
print(f'均值：{mean(data)}')
print(f'中位数：{median(data)}')
print(f'极差：{ptp(data)}')
print(f'方差：{var(data)}')
print(f'标准差：{std(data)}')
print(f'变异系数：{cv(data)}')
说明：
- 自由度校正：
ddof参数控制分母是n还是n-ddof。样本统计通常用ddof=1，总体统计用ddof=0。- 模块化：
describe函数组合了多个小函数，体现了高内聚低耦合的设计思想。
将生成随机号码和输出格式的功能分别封装，通过函数调用实现机选 N 注号码。
import random
RED_BALLS = [i for i in range(1, 34)]
BLUE_BALLS = [i for i in range(1, 17)]
def choose():
"""生成一组随机号码"""
selected_balls = random.sample(RED_BALLS, 6)
selected_balls.sort()
selected_balls.append(random.choice(BLUE_BALLS))
return selected_balls
def display(balls):
"""格式输出一组号码"""
for ball in balls[:-1]:
print(f'\033[031m{ball:0>2d}\033[0m', end=' ')
print(f'\033[034m{balls[-1]:0>2d}\033[0m')
if __name__ == '__main__':
n = int(input('生成几注号码：'))
for _ in range(n):
display(choose())
说明：重构后逻辑清晰，
choose负责数据生成，display负责视图渲染。调用者无需关心内部实现，符合依赖倒置原则。
Python 支持多种参数形式，理解它们有助于编写更灵活的函数。
def greet(name, msg="Hello"):
print(f"{name}: {msg}")
*args)：接收任意数量的位置参数，打包为元组。
def sum_all(*args):
return sum(args)
**kwargs)：接收任意数量的关键字参数，打包为字典。
def print_info(**kwargs):
for key, value in kwargs.items():
print(f"{key}: {value}")
变量作用域决定了变量的可见性和生命周期。
nonlocal 声明。count = 0
def increment():
global count
count += 1
print(count)
increment() # 输出 1
注意：修改全局变量需谨慎，避免产生副作用。优先使用返回值传递数据。
对于简单的单行函数，可以使用 Lambda 表达式简化语法。
square = lambda x: x ** 2
print(square(5)) # 输出 25
# 常用于排序或映射
numbers = [1, 2, 3, 4]
squared = list(map(lambda x: x**2, numbers))
在商业项目开发中，应有意识地将相对独立且重复使用的功能封装成函数。这不仅减少了重复劳动，还提升了代码的可读性和可维护性。通过合理设计参数、规范作用域管理以及利用高阶特性，可以构建出健壮且优雅的 Python 程序。
建议在实际工作中多参考 Python 标准库（如 statistics, functools）的实现方式，学习优秀的工程实践。