Pythonlambda匿名函数深入讲解
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
"""
到此这篇关于Python lambda匿名函数深入讲解的文章就介绍到这了,更多相关Python lambda内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网！
免责声明：
① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的，并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据，供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。
② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341
