使用函数的主要作用是复用代码？
0
[已关闭问题]
关闭于 2025-10-19 17:02
使用函数的主要作用是复用代码？
“复用代码”只是函数最表层、最容易被看到的好处。
真正把函数当成核心工具，是因为它能同时完成四件大事：
真正把函数当成核心工具，是因为它能同时完成四件大事：
-
压缩复杂度（分而治之）
把 50 行纠缠在一起的逻辑变成一行函数调用，大脑一次只要处理 5 行。 -
建立抽象层（屏蔽细节）
调用者只关心“做什么”，不需要知道“怎么做”。后期换算法、换数据源，只要函数接口不变，外围代码零修改。 -
增强可测试性（单元测试）
独立函数可以脱离上下文直接测；没有函数，就只能“全系统一起跑”。 -
代码复用（零拷贝多场景）
同一函数被 100 个流程调用，修 bug 只改一处——这是大家最熟悉的收益，但只是上面三点的自然结果。
所以：
函数 ≠ “省几行代码”那么简单；
它本质是把“变化”封装起来，让“不变”的部分一眼能看懂。
复用只是顺手捡到的红包，而非终极目标。
函数 ≠ “省几行代码”那么简单；
它本质是把“变化”封装起来，让“不变”的部分一眼能看懂。
复用只是顺手捡到的红包，而非终极目标。
压缩复杂度（分而治之） 把 50 行纠缠在一起的逻辑变成一行函数调用，大脑一次只要处理 5 行？啥意思
把 20 行“一锅粥”代码拆成函数后，调用点只剩 1 行，而函数内部那20 行暂时从大脑工作记忆里“消失”——这就是“一次只要处理 5 行”的直观含义。举例：
① 没分函数：一次要看 20 行
Python
# 主流程里直接摊开来写
data = open('sales.txt').readlines()
records = []
for line in data:
if line.strip(): # 去空行
items = line.split(',')
if len(items) == 4: # 字段够
try:
amount = float(items[2])
records.append(amount)
except ValueError:
continue
total = 0
for v in records:
total += v
avg = total / len(records) if records else 0
print('average', avg)读主流程时，大脑必须同时装着“打开文件、去空行、 split 、转 float 、累加、除法”全部细节——一眼 50 行。
② 分函数：调用点只剩 1 行
Python
def read_sales(path): # 20 行细节被关进盒子
... # 同上 20 行
return records
avg = sum(read_sales('sales.txt')) / len(read_sales('sales.txt'))
print('average', avg)主流程现在只有 2 行（调用 + 打印），你完全不用回忆盒子里的 20 行逻辑；
当你维护主流程时，大脑工作记忆里同时活跃的代码量从 50 行降到 5 行以内，这就是“压缩复杂度”“分而治之”的真实体验。
当你维护主流程时，大脑工作记忆里同时活跃的代码量从 50 行降到 5 行以内，这就是“压缩复杂度”“分而治之”的真实体验。
“执行”确实还是 50 行，但“理解/维护/调试”时，大脑只需要看 5 行——压缩的是认知复杂度，不是执行复杂度。把两个层面分开，就能体会到函数的真正价值。
1. 认知负荷 vs 执行负荷
-
执行负荷：CPU 跑多少条指令——拆不拆函数，指令条数几乎不变。
-
认知负荷：人脑同时要记住多少变量、多少嵌套、多少异常分支——拆函数后，当场要处理的符号数量断崖式下降。
-
2. 一张图看懂“压缩”
表格场景 大脑同时可见的代码量 需要立刻理解的变量/分支 典型 bug 定位时间 20 行平铺 20 行 十几个变量 + 3 层嵌套 10 分钟 5 行调用 5 行 2 个符号（函数名+参数） 30 秒 当你怀疑“文件读错”时，只打开read_sales函数即可；其余 20 行根本不进脑海。
——这就是“分而治之”：把大问题切成小封箱，每次只打开一个箱。 -
3. 一个现实例子：Linux 内核
schedule()函数调用图超过千行，但主流程只有：cschedule();开发者跟踪调度 bug 时，先确认“调度器被调用”这一行上下文没错，再钻到schedule()内部；
如果所有代码都平铺在一个main.c里，人类根本无法同时握持几千个变量状态，项目就维护不下去了。
4. 小结一句话
函数像抽屉：-
抽屉关着时，桌面（主流程）只有抽屉把手（函数名）——认知面积 5 行；
-
抽屉打开时，才暴露内部 20 行——但只在必要那一刻暴露。
压缩的不是工作量，而是“同一时间必须摆在大脑桌面上的信息量”；
一旦信息量变少，理解、调试、重构、并行开发的速度都指数级提升。
-
