Python lambda匿名函数深入讲解
杨jun坚 人气:0一，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
"""
加载全部内容