Functor, Applicative, and Monad

1.Functor, Applicative, 和Monad, 都是deal with有context的值的类型(typeclass), 就像一个包裹着礼物的盒子. 

比较经典是三个例子是Maybe, List, 和Function, 他们既是Functor, 也是Applicative,也是Monad:

Maybe 的context代表值是否存在

[], 也就是List 的context代表非确定性

(->) r, 也就是接受返回值类型的类型构造器,他的context是传入值。


2. 他们有不同的方法

class Functor f where

    fmap::(a->b) -> f a -> f b

这里的f不是具体类型,而是一个取一个类型参数的类型构造器

比如Maybe Int是一个具体类型,而Mabybe是一个取一个类型参数的类型构造器。

类似的,[]对应[Int],   (->) r 对应 (->) r a.


class (Functor f)  => Applicative f where

    pure :: a -> f a

    (<*>) :: f (a -> b) -> f a -> f b

可以看到Applicative和Functor关联性很大。第一行开始Applicative类的定义,同时引入了一个约束类。这个类约束说:如果我们想把某个类型构造器变成Applicative类型类的实例,它必然先成为Functor的实例。


class Monad m where 

    return :: a -> m a

    (>>=) :: m a -> (a -> m b) -> m b


最经典的几个例子都是: Maybe, List, Function


List:

Functor

instance Functor [] where

    fmap = map


Applicative

instance Applicative [] where

    pure x = [x]

    fs <*> xs = [f x | f <- fx, x <- xs] 

example: 

ghci>[(*0),(+100),(^2)]<*>[1,2,3]

[0,0,0,101,102,103,1,4,9]

Left-associative:

ghci>[(+),(*)]<*>[1,2]<*>[3,4]

[4,5,5,6,3,4,6,8]


Monad

instance Monad [] where 

    return x = [x]

    xs >>= f = concat (map f xs)

example:

ghci>[3,4,5]>>=\x->[x,-x]

[3,-3,4,-4,5,-5]


Function:

Functor:

instance Functor ((->) r) where

    fmap f g = (\x -> f (g x))


根据fmap的类型:   

fmap :: (a -> b) -> f a -> f b

把f替换成(->) r:   

 ( a -> b ) -> ( (->) r a ) -> ( (->) r b )

写成中缀形式:    

 ( a -> b ) -> ( r -> a ) -> ( r -> b )

那么很明显, 把函数( r -> a )和( a- > b)组合起来,就得到函数( r-> b)

所以说定义这个实例的另外一种方法是:

instance Functor ( (->) r) where

    fmap = (.)


Applicative:

instance Applicative ((->) r) where

    pure x = (\_ -> x)

    f <*> g = \x -> f x (g x)

(<*>) :: f (a -> b) -> f a -> f b

funny thing here: f (a -> b) 把 (->) r带入f, 意思是传入类型为r的参数,返回(a->b)类型的函数,那么容易理解 :

f <*> g = \x -> f x (g x)

例子

ghci>:t (+)<$>(+3)<*>(*100)

(+)<$>(+3)<*>(*100)::(Numa)=>a->a

ghci>(+)<$>(+3)<*>(*100)$5

508

ghci>(\x y z->[x,y,z])<$>(+3)<*>(*2)<*>(/2)$5

[8.0,10.0,2.5]



Monad:

instance Monad ((->) r) where

    return x = \_ -> x

    h >>= f = \w -> f (h w) w


Monad最经典的用法是链式:

foo :: Maybe String

foo = Just 3 >>= (\x -> Just "!" >>= (\y -> Just (show x ++ y)))

结果 Just "3!"

分行写:

foo = Just 3 >>= (\x ->

Just "!" >>= (\y ->

Just (show x ++ y)))

用do记法:

foo = do

x <- Just 3

y <- Just "!"

Just (show x ++ y)

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,743评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,296评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,285评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,485评论 1 283
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,581评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,821评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,960评论 3 408
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,719评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,186评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,516评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,650评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,329评论 4 330
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,936评论 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,757评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,991评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,370评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,527评论 2 349

推荐阅读更多精彩内容

  • Spring Cloud为开发人员提供了快速构建分布式系统中一些常见模式的工具(例如配置管理,服务发现,断路器,智...
    卡卡罗2017阅读 134,633评论 18 139
  • 最近在写个性化推荐的论文,经常用到Python来处理数据,被pandas和numpy中的数据选取和索引问题绕的比较...
    shuhanrainbow阅读 4,541评论 6 19
  • 背景 一年多以前我在知乎上答了有关LeetCode的问题, 分享了一些自己做题目的经验。 张土汪:刷leetcod...
    土汪阅读 12,738评论 0 33
  • 晨读感悟《高效绩教练》 001开导的误区 开导不是通过朋友的描述来给朋友建议 而是对方需要通过你来滤清思路——貌似...
    不会飞的艳子阅读 146评论 0 0
  • 正月十七 四月十四 两个月二十七天 很多东西都变了 身体 心境 眼界 朋友 健康 等等 它大概是大步向前的 请了两...
    渡边彻阅读 427评论 0 0