函数这个概念，你要是问刚写了两周Python的新手，他多半会说“就是def开头的那些东西嘛”。语法上确实这么简单，但要真正理解函数在编程里扮演的角色，把“代码复用”这四个字落到实处，其实需要跨过好几道看不见的坎。我自己带过不少新人，看过很多初级项目，最常见的现象是：同一个判断逻辑复制三份，改个字段名就得全文搜索替换；几段结构几乎一样的循环只是内层处理不同，就硬生生写了三个函数。这些都是“知道函数”但没“用好函数”的典型。
这篇文章不打算从“什么是编程”开始铺垫，而是直接聚焦Python函数本身，把定义语法、参数机制、作用域、lambda这些核心点逐一拆开讲透，最后用一个完整的重构案例，演示怎么用函数把一段乱糟糟的重复代码整理干净。中间穿插的是我实际写代码、带新人时踩过的坑和积累的经验，适合刚学完基本语法开始写稍复杂项目的人，也适合那些函数用了一阵子、但始终没搞懂参数传递和作用域细节的初级开发者。
1. 函数是什么：从“复制粘贴”到“按需调用”
1.1 代码复用为什么值得专门研究
先说我见过最多的代码复用翻车现场。一个处理用户数据的脚本里，到处是类似这样的片段：
if user_info.get("age") and user_info["age"] > 18: can_vote = True else: can_vote = False这段逻辑如果只出现一次，没什么问题。问题是它往往散落在五六个地方，有的是判断能不能投票，有的是判断能不能办银行卡，有的是判断能不能买某些商品，判断条件一模一样，只是后面跟着的处理不同。这时你要改一下年龄下限，比如从18改成20，就得全文搜索> 18，改完还得小心翼翼确认没漏改。
函数解决的就是这件事：把“判断年龄是否达标”这个逻辑抽出来，写成一个可复用的单元。复用的好处不仅仅是少打字，更重要的是“单一事实来源”——规则只维护一处，改的时候就改一处，所有调用点自动生效。这一点在项目规模变大之后尤其值钱，因为它直接降低了维护成本。
1.2 函数给代码带来的三个实际改变
首先是可读性。把一段业务逻辑封装成函数，给它一个能说明意图的名字，主流程就变成了一串动词组成的清单。比如validate_user()、fetch_data()、save_report()排在一起，读代码的人不用钻进每个细节就能把握全局。
其次是可测试性。独立的函数意味着可以单独传入参数、单独验证返回值，不用为了测试一个小功能而运行整个脚本。我后来写项目养成的习惯是：凡是稍微复杂的计算逻辑，都顺手放在函数里，这样我可以直接在交互环境里用几组边界值验证。
最后是可组合性。函数和函数之间可以互相调用，小函数拼出大功能。这有点像乐高：你不需要每次都从零捏一块积木，而是把基础积木按需组装。复用粒度不一定越大越好，很多时候拆成小的、单用途的函数反而更灵活。
2. Python函数核心语法与参数机制
2.1 def定义与return返回
Python定义函数用def关键字，基础结构很简单：
def calculate_area(radius): pi = 3.14159 area = pi * radius * radius return area有几个细节新手容易忽略。第一，函数体必须缩进，Python用缩进而不是花括号来划定函数范围，缩进错了直接报错。第二，函数执行到return就会立即结束，return后面的代码不会执行。第三，如果不写return，函数默认返回None，这在很多语言里是挺反直觉的——你调用一个没有返回值的函数，拿到的结果是None而不是“什么都没有”。
return还有一个实用技巧：可以返回多个值，Python会自动把它们打包成一个元组：
def get_stats(numbers): return min(numbers), max(numbers), sum(numbers) / len(numbers) lo, hi, avg = get_stats([1, 5, 9, 12]) print(lo, hi, avg) # 1 12 6.75这种多返回值的写法在处理需要同时产出多个结果的小工具函数时非常顺手。
2.2 参数传递的完整用法
Python函数的参数机制是初学者最容易懵的地方，因为组合太多了。梳理清楚之后其实就几类。
位置参数是最直白的，按顺序一一对应：
def greet(name, message): print(f"{name}，{message}") greet("小林", "早上好")关键字参数按参数名传值，顺序可以打乱：
greet(message="晚上好", name="小陈")关键字参数的好处是调用时清晰，缺点是代码长了以后略显啰嗦，适合参数多的情况。
默认参数让某些参数可以省略：
def greet(name, message="你好"): print(f"{name}，{message}") greet("小刘")这里有一个必须强调的坑：默认参数不要用可变对象。如果你写def add_item(item, container=[])，这个列表是函数定义时创建的，所有不传container的调用共享同一个列表，你会看到上一次调用的数据残留在里面。正确做法是默认值写None，函数内部再创建：
def add_item(item, container=None): if container is None: container = [] container.append(item) return container*args收集任意数量位置参数，**kwargs收集任意数量关键字参数。它们把一堆参数打包成元组和字典：
def log_entry(level, *messages, **details): print("级别:", level) print("信息:", messages) print("详情:", details) log_entry("WARNING", "磁盘空间不足", "Cache目录过大", code=500, host="server-01")我实际经验是：自己写业务代码时尽量少用*args/**kwargs，因为它牺牲了参数的可读性；但写工具库、装饰器、转发封装时它们几乎是必备的。
还有一类特殊的“可变对象作为参数”容易出问题——传列表、字典进函数后直接原地修改，外部变量会被连带影响。这不算错误，但如果你想让函数保持“纯函数”特性（不改变外部状态），就要在函数内部先做拷贝：
def add_score(scores, new_score): # 不要直接 scores.append(...) new_scores = scores.copy() new_scores.append(new_score) return new_scores3. 作用域、lambda与回调函数
3.1 变量作用域与生命周期
函数内部定义的变量叫局部变量，只在函数执行期间存在，函数结束后就销毁了。函数外部定义的变量叫全局变量，模块加载后一直存在。这个区分看似简单，但实际写代码时经常出现“我以为能访问到”的错觉。
count = 0 def increase(): count = count + 1 # 会报错：UnboundLocalError这个报错是Python特有的陷阱：函数内部给变量赋值时，Python默认把它当作新的局部变量，于是count + 1引用了一个还没赋值的局部count。如果你确实想在函数里修改全局变量，要用global声明：
count = 0 def increase(): global count count = count + 1不过我对global的态度是：能不用就不用。全局状态让程序变得难以追踪，一个函数改了个全局变量，另一个地方莫名受牵连，排查起来很头疼。更规范的做法是把状态封装成类，或者通过参数传递、返回值带回结果。
嵌套函数里还有个nonlocal，作用类似于global，不过是针对外层函数的局部变量。写闭包和装饰器时会遇到，日常业务代码里用得不多，但面试时经常被问到。
3.2 lambda表达式与回调函数
lambda是Python里的匿名函数，适合写一次性、很简单的逻辑，语法是lambda 参数: 表达式。典型的场景是排序和筛选：
users = [("小林", 25), ("小陈", 19), ("小刘", 33)] users.sort(key=lambda user: user[1]) # 按年龄排序等价于写一个普通函数def get_age(user): return user[1]，但lambda就一行，放key参数里非常直观。需要提醒的是：lambda不能写多行逻辑，也不建议在里面折腾复杂流程，它擅长的是“一眼能看明白的简单表达式”。有人喜欢用lambda写很长的计算逻辑，结果代码跟咒语似的，我建议这种时候老老实实用def。
回调函数是另一个跟函数紧密相关的概念。简单说，就是“把这个函数传给另一个函数，让对方在合适的时机调用它”。比如很多网络请求库都允许传on_complete回调，请求结束后自动调用你准备好的处理函数。Python里函数本身是对象，可以当作参数传递，所以实现回调几乎不用额外语法，传一个普通函数名就行：
def on_success(data): print("数据到了:", data) def fetch(url, callback): # 模拟网络请求 result = {"status": 200, "body": "hello"} callback(result) fetch("https://example.com", on_success)从这个角度看，理解“函数是一等公民”是理解Python很多高级特性的基础。它不只是能定义、能调用，还能被当作值来传递、放进列表、作为另一个函数的返回值。
4. 实操：把重复代码重构成函数
4.1 找出重复逻辑
光讲语法不够，咱们用一个贴近实际的例子走一遍“提取函数”的完整过程。假设你写了一个学生成绩分析脚本，里面有几段代码反复出现：
# 片段1 scores1 = [78, 92, 85, 64, 90] total = 0 for s in scores1: total += s avg1 = total / len(scores1) print(f"一班平均分: {avg1}") # 片段2 scores2 = [56, 88, 72, 95] total = 0 for s in scores2: total += s avg2 = total / len(scores2) print(f"二班平均分: {avg2}") # 片段3 scores3 = [69, 74, 81, 66, 77, 88] total = 0 for s in scores3: total += s avg3 = total / len(scores3) print(f"三班平均分: {avg3}")三个班的三份代码结构完全一致，不同的是列表数据和班级名。这段代码如果出现在真实项目里，改起来会烦死人：每个班都要重复看一遍求和逻辑，万一要把求和方式改成加权平均，就得改三处。
识别这类问题的信号有三个：一是代码里出现大量“复制粘贴后微调”的痕迹；二是相同变量名反复出现；三是你发现自己为了一个小改动要做全文搜索。看到这些信号，就该考虑提取函数了。
4.2 重构步骤与效果
第一步，把相同的逻辑抽成函数，把变化的部分——班级名和分数列表——变成参数：
def calculate_average(class_name, scores): total = 0 for s in scores: total += s avg = total / len(scores) print(f"{class_name}平均分: {avg}") calculate_average("一班", [78, 92, 85, 64, 90]) calculate_average("二班", [56, 88, 72, 95]) calculate_average("三班", [69, 74, 81, 66, 77, 88])第二步，把“求平均”这个纯计算部分跟“打印输出”分开。好处是计算可以脱离打印测试，以后也可能要写进文件、发到报表：
def average(scores): total = sum(scores) return total / len(scores) for class_name, scores in { "一班": [78, 92, 85, 64, 90], "二班": [56, 88, 72, 95], "三班": [69, 74, 81, 66, 77, 88] }.items(): print(f"{class_name}平均分: {average(scores)}")第三步，考虑边界情况。比如传入空列表时，len(scores)是0，total / 0会直接抛ZeroDivisionError。给函数补上防御性判断：
def average(scores): if not scores: return 0 # 或者 raise ValueError("成绩列表不能为空") return sum(scores) / len(scores)这个例子很小，但你仔细体会一下：我们先是消除了重复，然后拆分了职责，最后补了边界处理。这三步其实就是函数设计的通用套路。这个套路再往后延伸，就是更复杂的模块化、面向对象设计，本质都是同一个思路——从重复中抽象出复用单元。
我个人的经验是：不要为了“复用”硬拆函数。如果一个函数只在一个地方用到，而且逻辑不超过两三行，硬拆出来反而让代码跳来跳去。等重复出现第二次或第三次，才是提取的好时机。
5. 新手最常见的函数相关错误与排查
5.1 环境配置类错误：pip命令无法识别
很多刚接触Python的人还没开始写函数，就先卡在环境配置上。最典型的就是在Windows的PowerShell或CMD里敲命令，报出“无法将‘pip’项识别为 cmdlet、函数、脚本文件或可运行程序的名称”这类错误。问的人太多了，我在这专门说一次。
这个错误的本质是：系统在PATH环境变量里找不到pip这个可执行文件。Python安装后，pip通常位于Python安装目录的Scripts子目录下，如果安装Python时没有勾选“Add Python to PATH”，系统就不知道去哪找它。解决办法有几种：
第一，重新运行Python安装包，进入修改安装界面，勾选“Add Python to PATH”或“Add to PATH”，修复安装后重启终端。第二，不用PATH，直接指定完整路径，比如C:\Users\你的用户名\AppData\Local\Programs\Python\Python312\Scripts\pip install requests。第三，用python -m pip install requests，以模块方式调用pip，这种写法不依赖pip是否在PATH里，是比较稳妥的替代方案。
同理，搜素热词里还有node的npm命令无法识别，报错格式几乎一样，处理思路完全相同：检查Node.js安装目录是否在PATH，或者用完整路径调用。记住一个排查规律：凡是“无法将X项识别为cmdlet、函数、脚本文件或可运行程序”，九成是PATH问题，不是命令本身的问题。你先在命令行输入where python或where node，看看系统能不能找到可执行文件，顺着这条路排查效率最高。
5.2 函数定义与调用中的典型错误
NameError: name 'xxx' is not defined。看到这个错误先分清两种情况：是变量没定义，还是函数名拼错了。如果函数名拼错了，Python会把函数名当作普通变量去找，找不到就报这个错。检查一下函数定义和调用处的拼写是否完全一致，包括大小写。
TypeError: take_xxx() takes 1 positional argument but 2 were given。这是参数数量不匹配。常见的场景是类实例方法忘写self参数：
class Calculator: def add(a, b): # 忘写 self return a + b calc = Calculator() calc.add(3, 5) # 报错：add() takes 2 positional arguments but 3 were given方法定义时第一个参数必须是self（约定俗成叫self，实际上叫什么都行，但位置必须是第一个）。
UnboundLocalError: local variable 'xxx' referenced before assignment。就是我们前面说的作用域问题。函数内部给同名变量赋值时，Python把它当成局部变量。如果你确实要修改外部变量，用global；但更好的做法是避免这种设计，把外部变量作为参数传入，把结果作为返回值接收。
return写在finally里覆盖掉正常返回值。这个坑比较隐蔽，我遇到过一次。函数里有异常捕获结构，try块里计算好结果准备return，finally块里也写了return，结果finally的返回值覆盖了try的返回值，函数行为变得很奇怪。记住：return会立刻结束函数，finally块一定会执行，不要在finally里写return，除非你就是想强制覆盖。
排查函数问题时，我习惯用“最小复现”思路：把函数的参数换成最简单的字面量（比如直接传整数、字符串），在交互环境里逐行调用，确认问题出在函数内部逻辑还是外部调用方式。另一个实用工具是print调试——在函数关键位置打印中间变量，确认每个步骤的值是否符合预期，比闷头读代码快得多。
5.3 命名与设计层面的经验
最后分享几个函数命名的小经验。函数名最好是动词或动词短语，比如calculate_average、fetch_user，能直接看出这个函数“做了什么”。避免用do_something、handle_data这种过于空洞的名字。命名长度不用刻意追求短，get_user_by_id虽然长，但一看就懂。
关于函数长度，我的个人习惯是：一个函数尽量控制在二三十行以内，超过这个长度就考虑拆分。如果一个函数开头是“先做A，然后做B，接着判断C，最后处理D”，通常说明它承担了多个职责，拆成几个小函数反而更好维护。这个习惯在写业务逻辑时特别有用——拆出来的小函数可以单独测试，也方便复用。
还有一点：写函数时最好同时把“预期的行为”想清楚。我一般会在函数开头写一句"""说明函数作用、参数含义、返回值"""，尤其是那些返回布尔值的函数，命名成is_xxx、has_xxx的形式，调用处的可读性会提升一个档次。
6. 函数如何配合Python内置函数一起用
函数不只是自己写的那部分，Python自带的内置函数也是“复用”的重要组成部分。abs()取绝对值、sum()求和、sqrt()在math模块里开平方、min()/max()取最值，这些内置功能你不需要自己实现，直接调用就是最基础的代码复用。
实际写代码时，我经常看到有人明明可以一行sum(scores)搞定，却手写三行循环求和。遇到这种情况我总想说：先把标准库和内置函数用熟，再考虑自己造轮子。比如要给列表里的每个元素都加一个数，有人会写循环，其实map配合lambda也可以：
prices = [99, 199, 299] new_prices = list(map(lambda x: x + 1, prices))不过要注意，map返回的是一个迭代器，要用list()包一下才能得到列表。这种写法适合逻辑简单、对性能有要求的场景，一般业务代码里直接写列表推导式[x + 1 for x in prices]更直观。
再比如判断字符串是否全为数字、日期字符串的转换、JSON解析——这些都有现成的标准库函数可用。调用别人的函数，本质上也是在“复用”别人封装好的逻辑。能站在“复用”的角度看待整个Python生态，你会发现很多问题前人已经解决好了。
平时遇到的问题换个思路，就是“我能不能用函数的思维重新组织这段逻辑”。写第一遍的时候，用循环和判断把功能跑通；跑通之后回头看一眼，哪些逻辑是可以独立出来的，哪些是可以复用内置函数实现的，花十分钟做一次小重构，长期下来写代码的手感提升非常明显。
我个人在实际工作中体会最深的一点是：函数设计得清不清楚，决定了一个项目能活多久。代码跑不通可以修，但代码结构混乱、函数职责不清，后期每改一次需求都要心惊胆战。所以每次写完一段代码，我都会问自己一句：如果三个月后的自己来看这个函数，能一眼看懂它是干什么的吗？这个自问看起来简单，但真的帮我省了数不清的维护时间。
