推荐一个Python超级好用的内置函数lambda

电子说

1.3w人已加入

描述

今天来给大家推荐一个Python当中超级好用的内置函数,那便是lambda方法,本篇教程大致和大家分享:

什么是lambda函数

lambda函数过滤列表元素

lambda函数和map()方法的联用

lambda函数和apply()方法的联用

什么时候不适合使用lambda方法

什么是Lambda函数

在Python当中,我们经常使用lambda关键字来声明一个匿名函数,所谓地匿名函数,通俗地来讲就是没有名字的函数,具体的语法格式如下所示

 

lambda arguments : expression

 

其中它可以接受任意数量的参数,但是只允许包含一个表达式,而该表达式的运算结果就是函数的返回值,我们可以简单地来写一个例子

 

(lambda x:x**2)(5)

 

output

 

25

 

过滤列表中的元素

那么我们如何来过滤列表当中的元素呢?这里就需要将lambda函数和filter()方法联合起来使用了,而filter()方法的语法格式

 

filter(function, iterable)

 

function -- 判断函数

iterable -- 可迭代对象,列表或者是字典

其中我们有这么一个列表
 

import numpy as np

yourlist = list(np.arange(2,50,3))

 

其中我们想要过滤出2次方之后小于100的元素,我们来定义一个匿名函数,如下

 

lambda x:x**2<100

 

最后出来的结果如下所示

 

list(filter(lambda x:x**2<100, yourlist))

 

output

 

[2, 5, 8]
要是遇上复杂的计算过程,小编这里还是推荐大家自己自定义一个函数,但若是简单的计算过程,lambda匿名函数绝对是最佳的选择

 

和map()函数的联用

map()函数的语法和上面的filter()函数相近,例如下面这个匿名函数

 

lambda x: x**2+x**3

 

我们将其和map()方法联用起来

 

list(map(lambda x: x**2+x**3, yourlist))

 

output

python

当然正如我们之前提到的lambda匿名函数可以接受多个数量的参数,我们这里就可以来尝试一下了,例如有两组列表

 


 

python

我们同样使用map()方法来操作,代码如下

 

list(map(lambda x,y: x**2+y**2, yourlist,mylist))

 

output

python

 


 

和apply()方法的联用

apply()方法在Pandas的数据表格中用的比较多,而在apply()方法当中就带上lambda匿名函数,我们新建一个数据表格,如下所示

myseries = pd.Series(mylist)

myseries

output

python

apply()方法的使用和前两者稍有不同,map()方法和filter()方法我们都需要将可迭代对象放入其中,而这里的apply()则不需要

 

myseries.apply(lambda x: (x+5)/x**2)

 

output

python

而要是遇到DataFarme表格数据的时候,也是同样地操作

python

output

python

并且通过apply()方法处理可是比直接用str.upper()方法来处理,速度来的更快哦!!

不太适合使用的场景

那么不适合的场景有哪些呢?那么首先lambda函数作为一个匿名函数,不适合将其赋值给一个变量,例如下面的这个案例

 


 

squared_sum = lambda x,y: x**2 + y**2

squared_sum(3,4)

相比较而言更好的是自定义一个函数来进行处理

python

output

 

25

 

而我们遇到如下情景的时候,可以对代码稍作简化处理

python

output

 

[3.16227766, 5.0, 6.324555320, 7.0, 8.062257748, 9.0]

 

我们可以将其简化成

 


 

python

output

 

[3.162277, 5.0, 6.324555, 7.0, 8.062257, 9.0]

 

如果是Python当中的内置函数,尤其是例如math这种用于算数的模块,可以不需要放在lambda函数中,可以直接抽出来用



审核编辑:刘清

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分