Day11高阶函数

  1. 为函数写一个装饰器,在函数执行之后输出 after

    def prin_a(f):
        def new_fn(*args,**kwargs):
            result = f(*args,**kwargs)
            print('after')
            return result
        return new_fn
    @prin_a
    def text():
        print('aaaaaa')
    text()
    
  2. 为函数写一个装饰器,把函数的返回值 +100 然后再返回。

    def add_num(f):
        def new_fn(*args,**kwargs):
            result = f(*args,**kwargs)
            if type(result) in (int,float):
            	return result+100
            return result
        return new_fn
    @add_num
    def nums():
        return 100
    print(nums())
    
  3. 写一个装饰器@tag要求满足如下功能:

@tag
def render(text):
    # 执行其他操作
    return text

@tag
def render2():
    return 'abc'

print(render('Hello'))   # 打印出: <p>Hello</p>
print(render2())     # 打印出: <p>abc</p>


def tag(f):
    def new_fn(*args,**kwargs):
        result = f(*args,**kwargs)
        if type(result)==str:
        	return f'<p>{result}</p>'
        return result
    return new_fn
@tag
def render2():
    return 'abc'
print(render2())
@tag
def render(a):
    return a
print(render('hello'))
  1. 求列表 nums 中绝对值最大的元素

    例如:nums = [-23, 100, 89, -56, -234, 123], 最大值是:-234
    
    nums = [-23, 100, 89, -56, -234, 123]
    def num1(item):
        if item<0:
            item=-1
            return item
        else:
            return item
    result = max(nums,key=num1)
    print(result)
    
    
  2. 已经两个列表A和B,用map函数创建一个字典,A中的元素是key,B中的元素是value

    A = ['name', 'age', 'sex']
    B = ['张三', 18, '女']
    新字典: {'name': '张三', 'age': 18, 'sex': '女'}
    
    A = ['name', 'age', 'sex']
    B = ['张三', 18, '女']
    result = map(lambda s,item:[s,item],A,B)
    print(dict(result))
        
    
  3. 已经三个列表分别表示5个学生的姓名、学科和班号,使用map将这个三个列表拼成一个表示每个学生班级信息的的字典

    names = ['小明', '小花', '小红', '老王']
    nums = ['1906', '1807', '2001', '2004']
    subjects = ['python', 'h5', 'java', 'python']
    结果:{'小明': 'python1906', '小花': 'h51807', '小红': 'java2001', '老王': 'python2004'}
    
    names = ['小明', '小花', '小红', '老王']
    nums = ['1906', '1807', '2001', '2004']
    subjects = ['python', 'h5', 'java', 'python']
    result = map(lambda na,nu,su:[na,su+nu],names,nums,subjects)
    print(dict(result))
    
  4. 已经一个列表message, 使用reduce计算列表中所有数字的和(用采用列表推导式和不采用列表推导式两种方法做)

    message = ['你好', 20, '30', 5, 6.89, 'hello']
    结果:31.89
    
    from functools import reduce
    result = reduce(lambda num,x:num+x if type(x) in (int,float) else num+0,message,0)
    print(result)
    
    message = ['你好', 20, '30', 5, 6.89, 'hello']
    num1 = sum([i for i in message if type(i)==int or type(i)==float])
    print(num1)
    
高阶函数

函数其实就是变量,变量能做,函数都可以做:

  1. 赋值新变量
  2. 重新赋值
  3. 做序列中的元素
  4. 做函数的参数
  5. 做函数的返回值
实参高阶函数

实参高阶函数:参数是函数的函数,一般实参高阶函数的形参名f/fn

常用高阶函数的使用:

  1. max/min

    语法:max(序列,key=函数)—对序列中元素比较大小,获取最大值

    说明:key—关键字参数名

    ​ 函数-----必须有且只有一个参数(指向序列元素)

    ​ 需要一个返回值(比较对象)

    nums = [100,25,36,88,21,96]
    def f1(item): # item 指向序列元素
    	return item%10 #比较对象
    result = max(nums,key=f1)
    print(result) # 获取列表中各位数的个位数
    
  2. sorted

    语法:sorted(序列,key=函数)–比较序列中元素的大小,对序列中元素从小到大排序

    说明:key–关键字参数名

    ​ 函数----有且只有一个参数(指向序列的元素)

    ​ 需要一个返回值(比较的对象)

    students = [
        {'name':'小明','age':21,'score':84},
        {'name':'小话','age':28,'score':46},
        {'name':'小卡卡','age':20,'score':56},
        {'name':'小撒旦','age':26,'score':94},
        {'name':'小幂','age':10,'score':96},
    ]
    result = sorted(students,key=lambda item:item['age'] )
    print(result)
    
  3. map

    语法1:map(函数,序列)—对原序列进行指定操作,产生一个新序列,返回值是一个map对象

    说明:函数–需要一个参数(原序列元素)。需要有返回值(新序列元素)

    语法2:map(函数,序列1,序列2)–根据序列1和序列2创建一个新序列

    说明:函数–需要两个参数(两序列对应的元素)。需要有返回值(新序列元素)

    s = [1,2,3,4,5]
    a = [12,5,6,4,3]
    def f(x,y):
    	return x+y
    result = map(f,s,a)
    print(result) #<map object at 0x0136E250>  map对象
    print(list(result)) # [13, 7, 9, 8, 8]
    
  4. reduce

    语法:from functools import reduce (使用前必须先调用) reduce(函数,序列,初始值)-----计算累加、累乘、组合字符串

    说明:函数—需要两个参数。第一个参数第一次指向初始值,第二次指向上一次的返回值

    ​ 第二个参数指向序列中的元素

    ​ 需要一个返回值:返回值决定运算规则(返回值是通过加法获得,运算即加法)

    from functools import reduce
    a = [42,96,36,84,25,6,56]
    def f(x,y):
    	return x+y # 返回值为和
    result = reduce(f,a,0)
    print(result)
    
无参装饰器

作用:给函数添加新功能

语法:

1)定义

def 函数名1(参数1):-函数名1是装饰器的名,取名应与功能相关。参数1是原函数,一般用f/fn命名

​ def 函数名2(*args,**kwargs):----函数名2是新函数名,一般命名为new_f/new_fn

​ 功能代码

​ result = 参数1(*args,**kwargs)----参数1是原函数,result变量是原函数的返回值

​ return result

​ return 函数名2

2)调用

@函数名1

def 原函数名():

​ 代码段

#  定义一个计时功能装饰器
import time
def count_time(f):
	def new_fn(*args,**kwargs):
		start = time.time()
		result = f(*args,**kwargs)
		end = time.time()
		print(f'执行时间:{end-start}')
		return result
	return new_fn
# 调用功能装饰器
@count_time
def f1():
	print('ab')
f1()
		

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: Apache Spark 2.4 提供了许多解决复杂数据类型的内置函数和高阶函数。其,内置函数包括数组函数、结构体函数、日期时间函数、字符串函数等,可以方便地对复杂数据类型进行操作和处理。高阶函数则可以将函数作为参数传递给其他函数,实现更加灵活的数据处理。 例如,数组函数包括 explode、array_contains、array_distinct 等,可以对数组类型的数据进行拆分、查找、去重等操作。结构体函数包括 struct、getField、withField 等,可以对结构体类型的数据进行创建、获取、修改等操作。日期时间函数包括 year、month、day、hour、minute、second 等,可以对日期时间类型的数据进行提取和转换。字符串函数包括 concat、substring、trim、regexp_replace 等,可以对字符串类型的数据进行拼接、截取、去空格、替换等操作。 高阶函数包括 map、filter、reduce、fold 等,可以对数据集进行映射、过滤、聚合等操作。例如,map 函数可以将一个函数应用于数据集的每个元素,返回一个新的数据集;filter 函数可以根据指定的条件过滤数据集元素,返回一个新的数据集;reduce 函数可以将数据集元素进行聚合,返回一个单一的值;fold 函数可以对数据集元素进行聚合,并指定一个初始值,返回一个单一的值。 总之,Apache Spark 2.4 提供了丰富的内置函数和高阶函数,可以方便地对复杂数据类型进行操作和处理,提高数据处理的效率和灵活性。 ### 回答2: Apache Spark是一款非常流行的大数据处理框架,而在该框架的最新版本Apache Spark 2.4,主要更新了复杂数据类型的内置函数和高阶函数,以帮助用户更加方便地进行数据分析和处理。 首先,Apache Spark 2.4 加入了多个新的内置函数,如array_contains、map_from_arrays、map_keys、map_values和posexplode等,用于处理不同的复杂数据类型。 array_contains函数用于判断一个数组是否包含某个指定元素,它很容易地就能来检查一个数据集是否具有某些特定的值。而map_from_arrays、map_keys和map_values等函数则用于对一个Map类型的数据集进行操作,例如将一些key数组转换成一个map,或者将一个map的值集返回成一个数组等。 此外,Apache Spark 2.4版本还增加了许多高阶函数高阶函数是使用其他函数作为参数的函数,因此通常具有更强的灵活性和适应性。一些常用的高阶函数,如aggregate、foldLeft、reduce、foreach和flatMap等,都能在Spark得到很好的支持。 其,aggregate函数用于将数据集的每条记录与一个给定的初始值进行组合,然后再用一个给定的函数进行聚合。例如,它可以被用于求数据集的最大值、最小值和平均值等等。 与此相似,foldLeft函数和reduce函数都可以用来对数据集的每个元素进行操作,但它们的实现方式略有不同。foldLeft函数还可以提供一个序列化的初始值,并将结果与初始值合并以产生最终结果。而reduce函数则使用指定的函数将所有元素逐一聚合起来,得到一个最终的输出结果。 总之,Apache Spark 2.4新增的这些内置函数和高阶函数,为用户提供了丰富的功能和更加灵活的选项,使得Spark在处理各种类型的数据时更加方便和高效。 ### 回答3: Apache Spark 2.4是一个强大的大数据分析和处理引擎,它通过内置的函数库和高阶函数来解决复杂数据类型的处理问题。这些函数使得对非结构化数据或半结构化数据的查询和分析变得容易和高效。 Apache Spark 2.4内置的函数库支持各种复杂数据类型,包括结构化数据(如JSON或XML),图形数据(如社交网络)和空间数据(如地图数据)。对于每种数据类型,Spark都提供了一组专门的函数来解决常见的数据操作问题。例如,Spark提供了大量的JSON函数来解析和查询JSON数据,这些函数可以方便地提取某个字段或值,进行集合操作,或者转换为其他数据格式。 除了内置的函数库之外,Apache Spark 2.4还支持高阶函数高阶函数是指一个函数可以接受另一个函数作为参数或返回一个函数作为结果。这种函数式编程风格可以使得代码更加简洁和灵活。例如,Spark提供了flatMap、map和filter等高阶函数,可以方便地进行复杂的数据转换和筛选。此外,Spark还支持用户定义的函数(UDF),可以让用户根据自己的业务逻辑定义自己的函数,从而获得更高的灵活性和可定制性。 总体而言,Apache Spark 2.4提供了强大的内置函数和高阶函数,可以方便地解决各种复杂数据类型的处理问题。这些函数可以提高数据分析和处理的效率,使得数据科学家和开发人员能够更快地分析和挖掘数据价值,实现更加智能和高效的数据处理系统。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值