如何使用Ramda/Rambda在单次循环中同时实现map与filter操作？

当然可以！Ramda 提供了几种优雅的方式来在单次遍历中同时完成过滤和映射操作，不用手动写 reduce。下面给你两种常用的方案：

方案1：使用 R.chain #

R.chain 的核心作用是把一个返回数组的函数应用到集合的每个元素上，然后将所有结果扁平化为一个数组。我们可以利用这一点实现需求：当元素满足过滤条件时，返回包含映射后值的单元素数组；不满足时返回空数组，这样最终就自动过滤掉不符合条件的元素，同时完成映射。

const R = require('rambda')
export const test = () => {
  const data = [1, 2, 3, 4, 5, 6, 7, 8]
  const filter = no => no > 5
  const map = no => no * 100

  // 使用 R.chain 单次遍历完成 filter + map
  return R.chain(no => filter(no) ? [map(no)] : [], data)
}

这个写法和你手动写的 reduce 逻辑本质一致，但用 Ramda 的函数式风格简化了代码，而且同样只遍历一次数组。

方案2：使用 Transducer（更高效，适合大数据量） #

Ramda 的 Transducer 是一种高性能的集合处理模式，它可以将多个操作（比如过滤、映射）组合成一个单一的转换函数，在单次遍历中完成所有操作，还不会产生中间数组，处理大量数据时优势明显。

const R = require('rambda')
export const test = () => {
  const data = [1, 2, 3, 4, 5, 6, 7, 8]
  const filter = no => no > 5
  const map = no => no * 100

  // 组合 filter 和 map 成一个 transducer（顺序和 filter().map() 一致）
  const transducer = R.compose(R.filter(filter), R.map(map))
  // 使用 transduce 执行转换，初始值为空数组
  return R.transduce(transducer, R.flip(R.append), [], data)
}

这里 R.compose 把过滤和映射操作组合成了一个 transducer，R.transduce 则用这个组合函数遍历数组，R.flip(R.append) 负责将处理后的元素添加到结果数组中。整个过程没有中间数组生成，效率比传统的链式调用高很多。

补充说明 #

你之前尝试的 data.map(R.pipe(map, filter)) 之所以达不到预期，是因为 map 会为每个元素返回处理后的结果（这里是布尔值），而不会过滤掉元素。上面的两种方法则是在遍历过程中同时处理过滤和映射逻辑，真正实现一次遍历完成两个操作。

内容的提问来源于stack exchange，提问作者user2386092