柯里化配合解构赋值可构建清晰可复用的数据清洗管道：通过柯里化固化参数契约、解构赋值显式暴露配置意图、单参数函数天然适配pipe链式调用，并支持数组解构处理多输出场景。
柯里化配合解构赋值，能让数据清洗管道的核心层既清晰又可复用——关键不是堆砌函数，而是让每一步清洗动作明确“谁负责什么参数”、且天然支持配置分离与组合延伸。
用柯里化固化清洗策略的参数契约
清洗操作（如填充缺失值、类型转换、去重）往往依赖固定配置（如填充值、目标类型、去重字段）。柯里化把这类配置提前绑定，生成专注单一职责的清洗函数：
- 写一个通用的缺失值填充函数：
const fillMissing = (strategy, value) => (df) => df.fillna(value, { method: strategy }) - 再柯里化它：
const fillWithZero = fillMissing('ffill', 0)或const fillWithMode = fillMissing('bfill', 'mode') - 这样得到的
fillWithZero就是零参数函数，只接收 DataFrame，符合管道中“单入单出”的统一接口
用解构赋值暴露配置意图，避免魔法值
清洗配置常以对象形式存在。解构赋值让配置结构一目了然，也便于柯里化时精准提取：
- 定义清洗配置：
const cleanConfig = { numericFill: 0, categoryFill: 'unknown', dateFmt: 'ISO' } - 柯里化函数直接解构：
const standardizeDates = ({ dateFmt }) => (df) => df.apply(col => col.dtype === 'object' ? pd.to_datetime(col, format: dateFmt) : col) - 调用时：
const isoDateCleaner = standardizeDates(cleanConfig)—— 配置语义清晰，不依赖位置或顺序
组合清洗步骤时，让柯里化函数自然融入 pipe 流程
清洗管道本质是函数链式调用。柯里化后的函数都是单参数，和 pipe 完美兼容：
- 定义 pipe：
const pipe = (...fns) => (input) => fns.reduce((acc, fn) => fn(acc), input) - 准备清洗函数：
const dropDupes = (subset) => (df) => df.drop_duplicates(subset)
const dropDupesOnId = dropDupes(['user_id']) - 组装管道：
const cleanPipeline = pipe(fillWithZero, dropDupesOnId, isoDateCleaner)
cleanPipeline(rawDf)—— 每步都高内聚，彼此无状态耦合
利用元组或数组解构简化多输出清洗场景
某些清洗操作需同时返回清洗后数据和质量报告。用数组/元组解构 + 柯里化，保持函数纯度并支持后续分支处理：
const auditAndClean = (rules) => (df) => { const cleaned = applyRules(df, rules); return [cleaned, generateReport(cleaned, df)]; }- 调用时解构：
const [cleanedDf, report] = auditAndClean({ minRows: 100 })(rawDf) - 后续可单独使用
cleanedDf进入分析流程，或用report触发告警 —— 解耦清晰，不破坏管道主线
