Python 技巧--高阶函数

最新推荐文章于 2022-02-11 09:37:15 发布

0x8g1T9E

最新推荐文章于 2022-02-11 09:37:15 发布

阅读量200

点赞数

分类专栏：代码优化重构

本文链接：https://blog.csdn.net/sirobot/article/details/118751208

版权

代码优化重构专栏收录该内容

16 篇文章 2 订阅

订阅专栏

lambda是什么？
看个例子：

g = lambda x:x+1

看一下执行的结果：

g(1)
>>>2

g(2)

>>>3

当然，你也可以这样使用：

python lambda x:x+1(1)

>>>2

可以这样认为,lambda作为一个表达式，定义了一个匿名函数，上例的代码x为入口参数，x+1为函数体，用函数来表示为：

 def g(x):
     return x+1

非常容易理解，在这里lambda简化了函数定义的书写形式。是代码更为简洁，但是使用函数的定义方式更为直观，易理解。

Python中，也有几个定义好的全局函数方便使用的，filter, map, reduce

>>> foo = [2, 18, 9, 22, 17, 24, 8, 12, 27]

>>> print filter(lambda x: x % 3 == 0, foo)
[18, 9, 24, 12, 27]

>>> print map(lambda x: x * 2 + 10, foo)
[14, 46, 28, 54, 44, 58, 26, 34, 64]

>>> print reduce(lambda x, y: x + y, foo)
139

上面例子中的map的作用，非常简单清晰。但是，Python是否非要使用lambda才能做到这样的简洁程度呢？在对象遍历处理方面，其实Python的for…in…if语法已经很强大，并且在易读上胜过了lambda。

比如上面map的例子，可以写成：

print [x * 2 + 10 for x in foo]

非常的简洁，易懂。

filter的例子可以写成：

print [x for x in foo if x % 3 == 0]

同样也是比lambda的方式更容易理解。

上面简要介绍了什么是lambda,下面介绍为什么使用lambda,看一个例子（来自apihelper.py)：

processFunc = collapse and (lambda s: " ".join(s.split())) or (lambda s: s)
　　在Visual Basic，你很有可能要创建一个函数，接受一个字符串参数和一个 collapse 参数，并使用 if 语句确定是否压缩空白，然后再返回相应的值。这种方式是低效的，因为函数可能需要处理每一种可能的情况。每次你调用它，它将不得不在给出你所想要的东西之前，判断是否要压缩空白。在 Python 中，你可以将决策逻辑拿到函数外面，而定义一个裁减过的 lambda 函数提供确切的 (唯一的) 你想要的。这种方式更为高效、更为优雅，而且很少引起那些令人讨厌 (哦，想到那些参数就头昏) 的错误。

通过此例子，我们发现，lambda的使用大量简化了代码，使代码简练清晰。但是值得注意的是，这会在一定程度上降低代码的可读性。

习条件运算时，对于简单的 if else 语句，可以使用三元运算来表示，即：

普通条件语句

if 1 == 1:
    name = 'wupeiqi'
else:
    name = 'alex'

三元运算

name = 'wupeiqi' if 1 == 1 else 'alex'

对于简单的函数，也存在一种简便的表示方式，即：lambda表达式

---------------------------------------普通函数-------------------------------------
定义函数（普通方式）

def func(arg):
    return arg + 1

result = func(123)

---------------------------------------lambda----------------------------------------

定义函数（lambda表达式）

my_lambda = lambda arg : arg + 1

执行函数

result = my_lambda(123)

lambda存在意义就是对简单函数的简洁表示

lambda表达式在sort函数中的使用
假如a是一个由元组构成的列表，对该列表进行排序时，我们需要用到参数key，也就是关键词，如下面代码所示，lambda是一个匿名函数，是固定写法；x表示匿名函数的输入，即列表中的一个元素，在这里，表示一个元组，x只是临时起的一个名字，你可以使用任意的名字；x[0]表示匿名函数的输出，即元组里的第一个元素，即key = x[0]；所以这句命令的意思就是按照列表中第一个元素进行排序。

>>> a = [('b', 4), ('a', 12), ('d', 7), ('h', 6), ('j', 3)]
>>> a.sort(key=lambda x: x[0])
>>> print(a)
[('a', 12), ('b', 4), ('d', 7), ('h', 6), ('j', 3)]

内置函数
一、map

遍历序列，对序列中每个元素进行操作，最终获取新的序列。

在这里插入图片描述

二、filter

对于序列中的元素进行筛选，最终获取符合条件的序列

在这里插入图片描述
三、reduce

对于序列内所有元素进行累计操作

在这里插入图片描述
——————————————

Apply

Python中apply函数的格式为：apply(func,*args,**kwargs)

当然，func可以是匿名函数。

用途：当一个函数的参数存在于一个元组或者一个字典中时，用来间接的调用这个函数，并将元组或者字典中的参数按照顺序传递给参数

解析：args是一个包含按照函数所需参数传递的位置参数的一个元组，简单来说，假如A函数的函数位置为 A(a=1,b=2),那么这个元组中就必须严格按照这个参数的位置顺序进行传递(a=3,b=4)，而不能是(b=4,a=3)这样的顺序。kwargs是一个包含关键字参数的字典，而其中args如果不传递，kwargs需要传递，则必须在args的位置留空。

apply的返回值就是函数func函数的返回值。

⭐举例

    def function(a,b):  
        print(a,b)  
    apply(function,('good','better'))  
    apply(function,(2,3+6))  
    apply(function,('cai','quan'))  
    apply(function,('cai',),{'b':'caiquan'})  
    apply(function,(),{'a':'caiquan','b':'Tom'})

输出结果：

('good', 'better')
(2, 9)
('cai', 'quan')
('cai', 'caiquan')
('caiquan', 'Tom')

有时候，函数的参数可能是DataFrame中的行或者列。

⭐下面的例子是DataFrame中apply的用法

#函数应用和映射
import numpy as np
import pandas as pd
df=pd.DataFrame(np.random.randn(4,3),columns=list('bde'),index=['utah','ohio','texas','oregon'])
print(df)
"""
               b         d         e
utah   -0.667969  1.974801  0.738890
ohio   -0.896774 -0.790914  0.474183
texas   0.043476  0.890176 -0.662676
oregon  0.701109 -2.238288 -0.154442
"""

#将函数应用到由各列或行形成的一维数组上。DataFrame的apply方法可以实现此功能
f=lambda x:x.max()-x.min()
#默认情况下会以列为单位，分别对列应用函数
t1=df.apply(f)
print(t1)
t2=df.apply(f,axis=1)
print(t2)

"""
b    1.597883
d    4.213089
e    1.401566
dtype: float64
utah      2.642770
ohio      1.370957
texas     1.552852
oregon    2.939397
dtype: float64
"""

#除标量外，传递给apply的函数还可以返回由多个值组成的Series
def f(x):
    return pd.Series([x.min(),x.max()],index=['min','max'])
t3=df.apply(f)
#从运行的结果可以看出，按列调用的顺序，调用函数运行的结果在右边依次追加
print(t3)

"""
            b         d         e
min -0.896774 -2.238288 -0.662676
max  0.701109  1.974801  0.738890
"""

#元素级的python函数，将函数应用到每一个元素
#将DataFrame中的各个浮点值保留两位小数
f=lambda x: '%.2f'%x
t3=df.applymap(f)
print(t3)
"""
            b      d      e
utah    -0.67   1.97   0.74
ohio    -0.90  -0.79   0.47
texas    0.04   0.89  -0.66
oregon   0.70  -2.24  -0.15
"""

#注意，之所以这里用map,是因为Series有一个元素级函数的map方法。而dataframe只有applymap。
t4=df['e'].map(f)
print(t4)

"""
utah     0.74
ohio     0.47
texas   -0.66
oregon  -0.15
"""