python apply lambda_函数，lambda和apply用法

1 lambda

lambda原型为：lambda 参数:操作(参数)

lambda函数也叫匿名函数，即没有具体名称的函数，它允许快速定义单行函数，可以用在任何需要函数的地方。这区别于def定义的函数。

lambda与def的区别：

1)def创建的方法是有名称的，而lambda没有。

2)lambda会返回一个函数对象，但这个对象不会赋给一个标识符，而def则会把函数对象赋值给一个变量(函数名)。

3)lambda只是一个表达式，而def则是一个语句。

4)lambda表达式” : “后面，只能有一个表达式，def则可以有多个。

5)像if或for或print等语句不能用于lambda中，def可以。

6)lambda一般用来定义简单的函数，而def可以定义复杂的函数。

1.1 举最简单的例子

#单个参数的：

g = lambda x : x ** 2

print g(3)

9

#多个参数的：

g = lambda x, y, z : (x + y) ** z

print g(1,2,2)

9

1.2 再举一个普通的例子

将一个 list 里的每个元素都平方：

map( lambda x: x*x, [y for y in range(10)] )

这个写法要好过

def sq(x):

return x * x

map(sq, [y for y in range(10)])

因为后者多定义了一个(污染环境的)函数，尤其如果这个函数只会使用一次的话。

进一步讲，匿名函数本质上就是一个函数，它所抽象出来的东西是一组运算。这是什么意思呢？类比

a = [1, 2, 3]

和

f = lambda x : x + 1

我们会发现，等号右边的东西完全可以脱离等号左边的东西而存在，等号左边的名字只是右边之实体的标识符。如果能习惯 [1, 2, 3] 单独存在，那么 lambda x : x + 1 也能单独存在其实也就不难理解了，它的意义就是给「某个数加一」这一运算本身。

现在回头来看 map() 函数，它可以将一个函数映射到一个可枚举类型上面。沿用上面给出的 a 和 f，可以写

map(f, a)

也就是将函数 f 依次套用在 a 的每一个元素上面，获得结果 [2, 3, 4]。现在用 lambda 表达式来替换 f，就变成：

map( lambda x : x + 1, [1, 2, 3] )

会不会觉得现在很一目了然了？尤其是类比

a = [1, 2, 3]

r = []

for each in a:

r.append(each+1)

2 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。

2.1 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。

2.2 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

小技巧：

1, 有一个 pandas.DataFrame df， 有ABCD四列，其中AB是索引列，C列的数据是str，部分前后有空格，现在用一段代码将C列数据上的空格删除

lam = lambda x:x.strip()

df['C']=df['C'].apply(lam)

2,pandas-如何得到某一个值所在的行

df[df['列名'].isin([相应的值])]