[1, 4, 9, 16]
vs.
x = [1,2,3,4]
out = [item**2 for item in x]
print(out)
[1, 4, 9, 16]
### 02.Lambda表达式
厌倦了定义用不了几次的函数?Lambda表达式是你的救星!Lambda表达式用于在Python中创建小型,一次性和匿名函数对象, 它能替你创建一个函数。
lambda表达式的基本语法是:
lambda arguments: expression
注意!只要有一个lambda表达式,就可以完成常规函数可以执行的任何操作。
你可以从下面的例子中,感受lambda表达式的强大功能:
double = lambda x: x * 2
print(double(5))
10
### 03.Map和Filter
一旦掌握了lambda表达式,学习将它们与Map和Filter函数配合使用,可以实现更为强大的功能。具体来说,map通过对列表中每个元素执行某种操作并将其转换为新列表。
在本例中,它遍历每个元素并乘以2,构成新列表。 (注意!list()函数只是将输出转换为列表类型)
Map
seq = [1, 2, 3, 4, 5]
result = list(map(lambda var: var*2, seq))
print(result)
[2, 4, 6, 8, 10]
Filter函数接受一个列表和一条规则,就像map一样,但它通过比较每个元素和布尔过滤规则来返回原始列表的一个子集。
Filter
seq = [1, 2, 3, 4, 5]
result = list(filter(lambda x: x > 2, seq))
print(result)
[3, 4, 5]
### 04.Arange和Linspace
Arange返回给定步长的等差列表。它的三个参数start、stop、step分别表示起始值,结束值和步长, 请注意!stop点是一个“截止”值,因此它不会包含在数组输出中。
np.arange(start, stop, step)
np.arange(3, 7, 2)
array([3, 5])
Linspace和Arrange非常相似,但略有不同。Linspace以指定数目均匀分割区间,所以给定区间start和end,以及等分分割点数目num,linspace将返回一个NumPy数组。
这对绘图时数据可视化和声明坐标轴特别有用。
np.linspace(start, stop, num)
np.linspace(2.0, 3.0, num=5)
array([ 2.0, 2.25, 2.5, 2.75, 3.0]
### 05.Axis代表什么?
在Pandas中,删除一列或在NumPy矩阵中求和值时,可能会遇到Axis。我们用删除一列(行)的例子:
df.drop(‘Column A’, axis=1)
df.drop(‘Row A’, axis=0)
如果你想处理列,将Axis设置为1,如果你想要处理行,将其设置为0。但为什么呢? 回想一下Pandas中的shape。
df.shape
(# of Rows, # of Columns)
从Pandas DataFrame中调用shape属性返回一个元组,第一个值代表行数,第二个值代表列数。
如果你想在Python中对其进行索引,则行数下标为0,列数下标为1,这很像我们如何声明轴值。
### 06.Concat、Merge和Join
如果您熟悉SQL,那么这些概念对你来说可能会更容易。 无论如何,这些函数本质上就是以特定方式组合DataFrame的方式。 在哪个时间跟踪哪一个最适合使用可能很困难,所以让我们回顾一下。
Concat允许用户在表格下面或旁边追加一个或多个DataFrame(取决于您如何定义轴)。
![在这里插入图片描述](https://img-blog.csdnimg.cn/7ac86d1d1a2f4d98be4406ccb3af91fd.jpeg)
Merge将多个DataFrame合并指定主键(Key)相同的行。
![在这里插入图片描述](https://img-blog.csdnimg.cn/886dddb2a5f04828a13ed8c07c46e206.png)
Join,和Merge一样,合并了两个DataFrame。但它不按某个指定的主键合并,而是根据相同的列名或行名合并。
![在这里插入图片描述](https://img-blog.csdnimg.cn/b16584ea2b0c4886a92ba1864ff2ac2a.png)
### 07.Pandas Apply
Apply是为Pandas Series而设计的。如果你不太熟悉Series,可以将它想成类似Numpy的数组。
Apply将一个函数应用于指定轴上的每一个元素。使用Apply,可以将DataFrame列(是一个Series)的值进行格式设置和操作,不用循环,非常有用!
df = pd.DataFrame([[4, 9],] * 3, columns=[‘A’, ‘B’])
df
A B
0 4 9
1 4 9
2 4 9
df.apply(np.sqrt)
A B
0 2.0 3.0
1 2.0 3.0
2 2.0 3.0
df.apply(np.sum, axis=0)
A 12
B 27
df.apply(np.sum, axis=1)
0 13
1 13
2 13
### 08.Pivot Tables
如果您熟悉Microsoft Excel,那么你也许听说过数据透视表。
Pandas内置的pivot\_table函数以DataFrame的形式创建电子表格样式的数据透视表,,它可以帮助我们快速查看某几列的数据。
下面是几个例子:
非常智能地将数据按照“Manager”分了组:
pd.pivot_table(df, index=[“Manager”, “Rep”])
![在这里插入图片描述](https://img-blog.csdnimg.cn/d00bf99cea32436ba0b5b539fc898f05.png)
或者也可以筛选属性值:
pd.pivot_table(df,index=[“Manager”,“Rep”],values=[“Price”])
![在这里插入图片描述](https://img-blog.csdnimg.cn/4cbd220d806f440d9395f200c1ad1584.png)
希望上面的这些描述能够让你发现 Python 一些好用的函数和概念。
**读者福利:知道你对Python感兴趣,便准备了这套python学习资料**
>
> 👉[[[CSDN大礼包:《python兼职资源&全套学习资料》免费分享]]]( )(**安全链接,放心点击**)
>
>
>
**对于0基础小白入门:**
>
> 如果你是零基础小白,想快速入门Python是可以考虑的。
> 一方面是学习时间相对较短,学习内容更全面更集中。
> 二方面是可以找到适合自己的学习方案
>
>
>
包括:Python激活码+安装包、Python web开发,Python爬虫,Python数据分析,人工智能、机器学习等习教程。带你从零基础系统性的学好Python!
### 零基础Python学习资源介绍
* ① Python所有方向的学习路线图,清楚各个方向要学什么东西
* ② 600多节Python课程视频,涵盖必备基础、爬虫和数据分析
* ③ 100多个Python实战案例,含50个超大型项目详解,学习不再是只会理论
* ④ 20款主流手游迫解 爬虫手游逆行迫解教程包
* ⑤ 爬虫与反爬虫攻防教程包,含15个大型网站迫解
* ⑥ 爬虫APP逆向实战教程包,含45项绝密技术详解
* ⑦ 超300本Python电子好书,从入门到高阶应有尽有
* ⑧ 华为出品独家Python漫画教程,手机也能学习
* ⑨ 历年互联网企业Python面试真题,复习时非常方便
### 👉Python学习路线汇总👈
Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。(全套教程文末领取哈)
![在这里插入图片描述](https://img-blog.csdnimg.cn/c7bac92961d743dfa8ce2e4b33f66d12.png)
### 👉Python必备开发工具👈
![在这里插入图片描述](https://img-blog.csdnimg.cn/ec2198fcaf4d4c3e81d8b86badfbd57d.png)