Pythonlambda匿名函数深入讲解

 

一,Python中lambda函数的语法

lambda 函数在 Python 编程语言中使用频率非常高,使用起来非常灵活、巧妙;lambda 函数是一个匿名函数(即,没有名称定义),它可以接受任意数量的参数,但与普通函数不同,它只计算并返回一个表达式

Python 中的 lambda 函数使用以下语法表达:

lambda [arg1 [,arg2,.....argn]]:expression
"""
lambda : Python 预留的关键字,类似普通函数中 def 
[arg…] : 是参数列表,它的结构与 Python 中函数(function)的参数列表是一样的,
        需要注意的是,普通函数不同,这里不需要用括号将 lambda 函数的参数括起来,
        如果 lambda 函数有两个或更多参数,用逗号列出它们。
expression :一个参数表达式,表达式中出现的参数需要在[arg......]中有定义,并且表达式只能是单行的,只能有一个表达式。
"""

一个简单的 lambda 函数示例:

lambda x: x + 1
#上面的 lambda 函数接受一个参数,将其递增 1,然后返回结果
#它是以下带有 def 和 return 关键字的普通函数的更简单版本:
def increment_by_one(x):
  return x + 1

一个多参数的 lambda 函数示例:

lambda x, y, z: x + y + z
# 用逗号分隔函数定义中的参数。当执行这样一个 lambda 函数时,以相同的顺序列出相应的参数,并用逗号分隔它们
print((lambda x, y, z: x + y + z)(1, 2, 3))

 

二,两个注意点

注意点1:

lambda 函数也可以执行条件操作,例如

print((lambda x: x if(x > 10) else 10)(5))   # 10
#### 它是以下带有 def 和 return 关键字的普通函数的更简单版本:
def fun(x):
  if x > 10:
      return x
  else:
      return 10
fun(5)
####  嵌套使用
(lambda x: x * 10 if x > 10 else (x * 5 if x < 5 else x))(11)
# 等价于 def 和 return 关键字的普通函数
def fun(x):
  if x > 10:
      return x * 10
  elif x < 5:
      return x * 5
  else:
      return x
fun(11)

注意:在这种情况下,具有 if-elif-…-else 条件集的普通函数将是比 lambda 函数更好的选择,虽然函数定义比相应的 lambda 函数增加了更多行,但它更容易阅读。如果团队成员都可以接受,那也就无关紧要了。

注意点2:

lambda 函数被赋值给一个变量,然后将该变量作为普通函数调用,甚至可以被赋值给其他函数,从而将其他函数用该lambda函数替换。

# lambda 函数被赋值给一个变量
f = lambda x: x ** 2
f(2)

但是根据 Python 代码的 PEP 8 样式规则,这是一种不好的做法,感觉多此一举。

赋值语句的使用消除了lambda表达式优于显式def表达式的唯一优势(即lambda表达式可以内嵌到更大的表达式中)。

## 赋值给其他函数
time.sleep=lambda x: None
time.sleep(3) # 程序不会休眠 3 秒钟,而是因为lambda输出为None,所以这里结果是什么都不做

这种做法也没错误,但是相信也没有开发人员会这么干的。

 

三,lambda 应用

1, 作为高阶函数的回调函数

1),map() 函数:

描述:

map() 会根据提供的函数对指定序列做映射。

第一个参数 function 以参数序列中的每一个元素调用 function 函数,返回包含每次 function 函数返回值的新列表。

语法:

map(function, iterable, …)

参数:

function :函数

iterable : 一个或多个序列

返回值:

Python 2.x 版本返回的是列表

Python 3.x 版本返回的是迭代器

# 计算平方数 
print(tuple(map(lambda x: x ** 2, [1, 2, 3, 4, 5])))   # py3
print(map(lambda x: x ** 2, [1, 2, 3, 4, 5]))          # py2
# 结果:
[1, 4, 9, 16, 25]
# 提供两个列表,将其相同索引位置的列表元素进行相加
map(lambda x, y: x + y, [1, 3, 5, 7, 9], [2, 4, 6, 8, 10])   # py2
# 结果:
[3, 7, 11, 15, 19]

2),reduce() 函数:

描述:

函数将一个数据集合(链表,元组等)中的所有数据进行下列操作:用传给 reduce 中的函数 function(有两个参数)先对集合中的第 1、2 个元素进行操作,得到的结果再与第三个数据用 function 函数运算,最后得到一个结果。

语法:

reduce(function, iterable[, initializer])

参数:

function: 函数,有两个参数

iterable : 可迭代对象

initializer :可选,初始参数

返回值:

返回函数计算结果。

实例

from functools import reduce
lst = [1, 2, 3, 4, 5]
print(reduce(lambda x, y: x + y, lst))
# 结果: 15
"""
===========执行步骤解析:===========
调用 reduce(lambda x, y: x + y, lst)时,reduce函数将做如下计算:
1 先计算头两个元素:f(1, 2),结果为3;
2 再把结果和第3个元素计算:f(3, 3),结果为6;
3 再把结果和第4个元素计算:f(6, 4),结果为10;
4 再把结果和第5个元素计算:f(10, 5),结果为15;
5 由于没有更多的元素了,计算结束,返回结果15。
"""

3),sorted() 函数:

描述:

sorted() 函数对所有可迭代的对象进行排序操作。

sort 与 sorted 区别:

sort 是 list 的一个方法,而 sorted 可以对所有可迭代的对象进行排序操作。

list 的 sort 方法返回的是对已经存在的列表进行操作,无返回值,而内建函数 sorted 方法返回的是一个新的 list,而不是在原来的基础上进行的操作。

语法:

sorted(iterable, key=None, reverse=False)

参数说明:

iterable:可迭代对象。

key:主要是用来进行比较的元素,只有一个参数,具体的函数的参数就是取自于可迭代对象中,指定可迭代对象中的一个元素来进行排序。

reverse : 排序规则,reverse = True 降序 , reverse = False 升序(默认)。

返回值:

返回重新排序的列表。

实例

# 按年龄升序排列
persons = [('kenny', 15), ('yang', 12), ('liu', 10)]
print(sorted(persons, key=lambda s: s[1]))
# 结果: [('liu', 10), ('yang', 12), ('kenny', 15)]

4),filter() 函数:

描述:

filter() 函数用于过滤序列,过滤掉不符合条件的元素,返回由符合条件元素组成的新列表。

该接收两个参数,第一个为函数,第二个为序列,序列的每个元素作为参数传递给函数进行判断,然后返回 True 或 False,最后将返回 True 的元素放到新列表中。

语法:

filter(function, iterable)

参数:

function:判断函数。

iterable :可迭代对象。

返回值:

Pyhton2.x 返回列表

Python3.x 返回迭代器对象

实例

# 过滤出偶数
newlist = filter(lambda x: x % 2 == 0, range(1, 11))
print(list(newlist))
# 结果: [2, 4, 6, 8, 10]

2, Pandas 与 lambda 结合进行高效数据分析

在使用pandas的过程中,我们可以结合lambda函数很方便的进行各种数据处理操作。而lambda在pandas就又经常和df.assign、df.apply两个函数组合使用

使用lambda增加Dataframe一列

import pandas as pd
df = pd.DataFrame({
  "name": ["xiaoming", "xiaohong", "xiaosu"],
  "weight": [78, 65, 87],
  "height": [1.82, 1.75, 1.89]
})
### df.apply
df['BMI'] = df.apply(lambda x: x["weight"] / (x["height"] ** 2), axis=1)
print(df)
## df.assign
df1 = df.assign(BMI=lambda x: x["weight"] / (x["height"] ** 2))
print(df1)
#输出:
"""
     name  weight  height        BMI
0  xiaoming      78    1.82  23.547881
1  xiaohong      65    1.75  21.224490
2    xiaosu      87    1.89  24.355421
"""

当然不使用lambda 也是可以计算BMI。

df["BMI_N"] = df["weight"] / (df["height"] ** 2)
print(df)
#输出:
"""
     name  weight  height        BMI      BMI_N
0  xiaoming      78    1.82  23.547881  23.547881
1  xiaohong      65    1.75  21.224490  21.224490
2    xiaosu      87    1.89  24.355421  24.355421
"""

但是,当涉及到使用if …else时,使用lambda就很高效了

import pandas as pd
df = pd.DataFrame({
  "name": ["xiaoming", "xiaohong", "xiaosu"],
  "weight": [78, 65, 87],
  "height": [1.82, 1.75, 1.89]
})
df['BMI'] = df.apply(lambda x: '肥胖' if x["weight"] / (x["height"] ** 2) > 22 else '正常', axis=1)
print(df)
#输出:
"""
     name  weight  height BMI
0  xiaoming      78    1.82  肥胖
1  xiaohong      65    1.75  正常
2    xiaosu      87    1.89  肥胖
"""

关于Python lambda匿名函数深入讲解的文章就介绍至此,更多相关Python lambda内容请搜索编程宝库以前的文章,希望以后支持编程宝库

 一,队列和栈一样,队列是一种特殊的线性表,特殊之处在于它只允许在表的前端(front)进行删除操作,而在表的后端(rear)进行插入操作。队列是一种操作受限制的线性表,进行插入操作的端称为队尾, ...