python3中apply函数和lambda函数的使⽤详解
python3 中apply函数和lambda函数的使⽤详解
lambda函数
lambda是什么
⼤家好，今天给⼤家带来的是有关于Python⾥⾯的lambda表达式详细解析。lambda在Python⾥⾯的⽤处很⼴，但说实话，我个⼈认为有关于lambda的讨论不是如何使⽤的问题，⽽是该不该⽤的问题。接下来还是通过⼤量实例和⼤家分享我的学习体验，可能最后你也会得出和我⼀样的结论。
好啦，⾸先让我们先搞明⽩基础定义，lambda到底是什么？
Lambda表达了Python中⽤于创建匿名函数的特殊语法。我们将lambda语法本⾝称为lambda表达式，从这⾥得到的函数称之为lambda函数。
其实总结起来，lambda可以理解为⼀个⼩的匿名函数，lambda函数可以使⽤任意数量的参数，但只能有⼀个表达式。估计有JavaScript ES6经验的朋友们听上去会很亲切，具体函数表达式如下：
模板： lambda argument: manipulate(argument)
参数：argument就是这个匿名函数传⼊的参数，冒号后⾯是我们对这个参数的操作⽅法
让我们参考上⾯的定义模板和参数, 直接看⼀个最简单的例⼦:
add_one = lambda x:x+1      # 1个参数，执⾏操作为+1
add_nums = lambda x,y:x+y    # 2个参数，执⾏操作为相加
print(add_one(2))            # 调⽤add_one
print(add_nums(3,7))        # 调⽤add_nums
>>>  3
10
相⽐⼤家已经发现lambda匿名函数的特点了，就是对于较为简单的功能，⽆需⾃⼰def⼀个了，单⾏就可以写下，传参和执⾏⽅法⼀⽓呵成lambda⽤法详解
接下来让我们看看lambda的实际应⽤，就我⾃⼰使⽤lambda的体验来说，从来没有单独⽤过，lambda⼀般情况下是和
map，filter，reduce这些超棒的内置函数以及dict，list,tuple,set 等数据结构混⽤，这样才能发挥它的最⼤效果.
好了，闲话少说，下⾯让我们⼀个个来看
lambda + map
⾸先出场的是lambda+map的组合，先看下⾯这个例⼦：
numbers = [1,2,3,4,5]
add_one = list(map(lambda n:n+1,numbers))  #map(fun,sequence)
print(list(add_one))
print(tuple(add_one))
Out: [2, 3, 4, 5, 6]
(2, 3, 4, 5, 6)
这个是我们上⼀期的例⼦，实现⼀个数组（元组）每个元素+1，让我们回忆⼀下map的⽤法map(fun,sequence)，fun是传递的⽅
法，sequence是⼀个可迭代的序列，这⾥我们的fun就是匿名函数
lambda n:n+1，这⾥⾮常完美的解释了lambda的设计初衷，因为如果没有lambda，我们的解决⽅案是这样:
def add(num):
return num+1
numbers = [1,2,3,4,5]
add_one = list(map(add,numbers))
print(add_one)
print(tuple(add_one))
显然易见，这⾥的add⽅法有点多余，所以⽤lambda代替是个好的选择。让我们再看下⼀个例⼦，这
是我⾃⼰备份⽇志时写的⼀⼩段代码，命名不是很规范：
from datetime import datetime as dt
logs = ['serverLog','appLog','paymentLog']
format ='_{}.py'.w().strftime('%d-%m-%y'))
result =list(map(lambda x:x+format,logs))  # 利⽤map+lambda 实现字符串拼接
random在python中的意思
print(result)
Out:['serverLog_11-02-19.py', 'appLog_11-02-19.py', 'paymentLog_11-02-19.py']
这⾥和刚才的加1例⼦差不多，但是换成了字符串的拼接，然⽽我这⾥⽤lambda并不是很好的解决⽅案，最后我们会说，现在⼤家应该对map + lambda 有⼀些感觉了，让我们再来个和dict字典互动的例⼦：
person =[{'name':'Lilei',
'city':'beijing'},
{'name':'HanMeiMei',
'city':'shanghai'}]
names=list(map(lambda x:x['name'],person))
print(names)
Out：['Lilei', 'HanMeiMei']
好了，看到这⾥对于map+lambda的⽤法⼤家已经很清楚了应该~
lambda + filter
lambda和filter的组合也很常见，⽤于特定筛选条件下，现在让我们来看上篇⽂章filter的例⼦，就应该很好理解了：
numbers = [0, 1, 2, -3, 5, -8, 13]
# 提取奇数
result = filter(lambda x: x % 2, numbers)
print("Odd Numbers are :",list(result))
# 提取偶数
result = filter(lambda x: x % 2 == 0, numbers)
print("Even Numbers are :",list(result))
#提取正数
result = filter(lambda x: x>0, numbers)
print("Positive Numbers are :",list(result))
Out：Odd Numbers are : [1, -3, 5, 13]
Even Numbers are : [0, 2, -8]
Positive Numbers are : [1, 2, 5, 13]
这⾥⽆⾮就是我们把filter(fun,sequence)⾥⾯的fun换成了我们的lambda，只是lambda的函数部分（x
%2,x%2==0,x>0）都是可以返回True或者False来判断的，符合fiter的要求，⽤刚才李雷和韩梅梅的例⼦也是⼀个道理：
person =[{'name':'Lilei',
'city':'beijing'},
{'name':'HanMeiMei',
'city':'shanghai'}]
names=list(filter(lambda x:x['name']=='Lilei',person)) # 提取李雷的信息
print(names)
Out：[{'name': 'Lilei', 'city': 'beijing'}]
lambda + reduce
还是让我们看⼀下上篇⽂章的例⼦：
from functools import reduce          # Only Python 3
numbers = [1,2,3,4]
result_multiply = reduce((lambda x, y: x * y), numbers)
result_add = reduce((lambda x,y: x+y), numbers)
print(result_multiply)
print(result_add)
Out：24
10
这个例⼦⽤lambda和reduce的配合实现了list求累积和和累积乘法。
有意思的是这个例⼦具有两⾯性，⼀⽅⾯展⽰了lambda和reduce如何⼀起使⽤，另⼀⽅⾯也引出了接下来我想说的重点：lambda真的值得⽤吗？到底应该怎么⽤？
避免过度使⽤lambda
通过上⾯的例⼦⼤家已经看到了lambda的实际应⽤场景，但是这⾥我想和⼤家分享⼀下我的看法：我认为lambda的缺点略多于优点，应该避免过度使⽤lambda.
⾸先，这仅仅是我的个⼈看法哈，希望⼤家理解，我为什么这么说呢，⾸先让我们拿lambda⽅法和常规def做个对⽐，我发现lambda和def的主要不同点如下：
可以⽴即传递（⽆需变量）
只需⼀⾏代码，简洁（未必⾼效）
可以会⾃动返回，⽆需return
lambda函数没有函数名称
有关优点⼤家都可以看到，我主要想说⼀下它的缺点，⾸先，从真正需求出发，我们在⼤多数时候是不需要lambda的，因为总可以到更好的替代⽅法，现在我们⼀起看⼀下刚才lambda+reduce 的例⼦，我们⽤lambada实现的结果如下：
from functools import reduce          # Only Python 3
numbers = [1,2,3,4]
result_multiply = reduce((lambda x, y: x * y), numbers)
result_add = reduce((lambda x,y: x+y), numbers)
这⾥⽤lambda并没有实现简单⾼效的⽬的，因为我们有现成的sum和mul⽅法可以⽤：
from functools import reduce
from operator import mul
numbers = [1,2,3,4]
result_add = sum(numbers)
result_multiply =reduce(mul,numbers)
print(result_add)
print(result_multiply)
Out: 10
24
结果是⼀样的，但是显然⽤sum和mul的⽅案更加⾼效。再举个常见的例⼦说明，假如我们有⼀个list存储了各种颜⾊，现在要求把每个颜⾊⾸字母⼤写，如果⽤lambda写出是这样：
colors = ['red','purple','green','blue']
result = map(lambda c:c.capitalize(),colors)
print(list(result))
Out：['Red', 'Purple', 'Green', 'Blue']
看着似乎不错，挺简洁的，但是我们有更好的⽅法：
colors = ['red','purple','green','blue']
result = [c.capitalize() for c in colors]
print(result)
Out：['Red', 'Purple', 'Green', 'Blue']
⽤sorted还能处理⾸字母不规范的情况，连排序都省了：
colors = ['Red','purple','Green','blue']
print(sorted(colors,key=str.capitalize))
Out:['blue', 'Green', 'purple', 'Red']
还有⼀个主要原因就是: lambda函数没有函数名称。所以在代码交接，项⽬移植的场景中会给团队带来很多困难，多写个函数add_one()没什么坏处，因为⼤家都很容易理解，知道它是执⾏+1的功能，但是如果团队⾥你在⾃⼰负责的模块使⽤了很多lambda，会给其他⼈理解带来很多⿇烦
适合lambda的场景
话⼜说回来，存在即合理，那么真正需要我们使⽤lambda的是哪些场景呢：
1. 你需要的⽅法是很简单的(+1，字符串拼接等)，该函数不值得拥有⼀个名字
2. 使⽤lambda表达式，会⽐我们能想到的函数名称更容易理解
3. 除了lambda，没有任何python提供的函数可以实现⽬的
4. 团队中所有成员都掌握lambda，⼤家同意你⽤
还有⼀种场景⾮常适⽤，就是在给其他⼈制造⾃⼰很专业的错觉时，⽐如：
哎呀，⼩⽼弟，听说你学了Python，知道lambda不？没听过？不⾏啊，⽩学了！
来来来，让我给你讲讲。。。此处省略1万字
总结
今天为⼤家九浅⼀深地讲解了lambda的⽤法和使⽤场景，所谓九浅⼀深，就是90%情况下⽤于创建简单的匿名函数，10%的情况稍微复杂（我这个借⼝的太好了）
总⽽⾔之就是，任何事情都具有两⾯性，我们在使⽤lambda之前应该先停下来，问问⾃⼰是不是真的需要它。
当然，如果需要和别⼈忽悠的时候都是正反⼀张嘴，lambda是好是坏全看我们⾃⼰怎么说，吹⽜时请遵守如下原则，屡试不爽：
如果你说⼀个⼥⼤学⽣晚上就是可耻，但如果改成⼀个妓⼥利⽤业余时间努⼒学习就励志多了！
lambda也是如此
apply函数
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')
对数据进⾏预处理时，⼤家使⽤⽐较多的是apply函数，apply函数是pandas库中的函数，⾮常好⽤的⼀个函数相当于循环遍历，起到对每⼀条数据进⾏处理的效果，函数的参数可能是DataFrame中的⾏或者列。
说到apply⼜不得不说lambda函数了，这两个结合来⽤简直爽的不⾏。
lambda关键字可以⽤来创建⼀个⼩的匿名函数
⽰例：
DataFrame.apply(func, axis=0, broadcast=False, raw=False,
reduce=None, args=(), *kwds)
第⼀个参数func是⼀个函数，需要⾃⼰实现，可以使⽤lambda匿名函数，axis默认值为0，axis为0时，会把⼀列的数据进⾏遍历。
data[‘cut_review’].apply(lambda x: [i for i in x s if i not in stopwords])
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
"""

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。