Python lambda匿名函數深入講解

2023-01-22 14:01:20

一，Python中lambda函數的語法

lambda 函數在 Python 程式語言中使用頻率非常高，使用起來非常靈活、巧妙；lambda 函數是一個匿名函數（即，沒有名稱定義），它可以接受任意數量的引數，但與普通函數不同，它只計算並返回一個表示式

Python 中的 lambda 函數使用以下語法表達：

lambda [arg1 [,arg2,.....argn]]:expression
"""
lambda ： Python 預留的關鍵字，類似普通函數中 def 
[arg…] ： 是參數列，它的結構與 Python 中函數(function)的參數列是一樣的，
          需要注意的是，普通函數不同，這裡不需要用括號將 lambda 函數的引數括起來，
          如果 lambda 函數有兩個或更多引數，用逗號列出它們。
expression ：一個參數列達式，表示式中出現的引數需要在[arg......]中有定義，並且表示式只能是單行的，只能有一個表示式。
"""

一個簡單的 lambda 函數範例：

lambda x: x + 1
#上面的 lambda 函數接受一個引數，將其遞增 1，然後返回結果
#它是以下帶有 def 和 return 關鍵字的普通函數的更簡單版本：
def increment_by_one(x):
    return x + 1

一個多引數的 lambda 函數範例：

lambda x, y, z: x + y + z
# 用逗號分隔函數定義中的引數。當執行這樣一個 lambda 函數時，以相同的順序列出相應的引數，並用逗號分隔它們
print((lambda x, y, z: x + y + z)(1, 2, 3))

二，兩個注意點

注意點1：

lambda 函數也可以執行條件操作，例如

print((lambda x: x if(x > 10) else 10)(5))   # 10
#### 它是以下帶有 def 和 return 關鍵字的普通函數的更簡單版本：
def fun(x):
    if x > 10:
        return x
    else:
        return 10
fun(5)
####  巢狀使用
(lambda x: x * 10 if x > 10 else (x * 5 if x < 5 else x))(11)
# 等價於 def 和 return 關鍵字的普通函數
def fun(x):
    if x > 10:
        return x * 10
    elif x < 5:
        return x * 5
    else:
        return x
fun(11)

注意：在這種情況下，具有 if-elif-…-else 條件集的普通函數將是比 lambda 函數更好的選擇，雖然函數定義比相應的 lambda 函數增加了更多行，但它更容易閱讀。如果團隊成員都可以接受，那也就無關緊要了。

注意點2：

lambda 函數被賦值給一個變數，然後將該變數作為普通函數呼叫，甚至可以被賦值給其他函數，從而將其他函數用該lambda函數替換。

# lambda 函數被賦值給一個變數
f = lambda x: x ** 2
f(2)

但是根據 Python 程式碼的 PEP 8 樣式規則，這是一種不好的做法，感覺多此一舉。

賦值語句的使用消除了lambda表示式優於顯式def表示式的唯一優勢(即lambda表示式可以內嵌到更大的表示式中)。

## 賦值給其他函數
time.sleep=lambda x: None
time.sleep(3) # 程式不會休眠 3 秒鐘，而是因為lambda輸出為None，所以這裡結果是什麼都不做

這種做法也沒錯誤，但是相信也沒有開發人員會這麼幹的。

三，lambda 應用

1，作為高階函數的回撥函數

1），map() 函數：

描述：

map() 會根據提供的函數對指定序列做對映。

第一個引數 function 以引數序列中的每一個元素呼叫 function 函數，返回包含每次 function 函數返回值的新列表。

語法：

map(function, iterable, …)

引數：

function ：函數

iterable ：一個或多個序列

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

# 計算平方數 
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
# 結果：
[1, 4, 9, 16, 25]
# 提供兩個列表，將其相同索引位置的列表元素進行相加
map(lambda x, y: x + y, [1, 3, 5, 7, 9], [2, 4, 6, 8, 10])   # py2
# 結果：
[3, 7, 11, 15, 19]

2），reduce() 函數：

描述：

函數將一個資料集合（連結串列，元組等）中的所有資料進行下列操作：用傳給 reduce 中的函數 function（有兩個引數）先對集合中的第 1、2 個元素進行操作，得到的結果再與第三個資料用 function 函數運算，最後得到一個結果。

語法：

reduce(function, iterable[, initializer])

引數：

function：函數，有兩個引數

iterable ：可迭代物件

initializer ：可選，初始引數

返回值：

返回函數計算結果。

範例

from functools import reduce
lst = [1, 2, 3, 4, 5]
print(reduce(lambda x, y: x + y, lst))
# 結果： 15
"""
===========執行步驟解析：===========
呼叫 reduce(lambda x, y: x + y, lst)時，reduce函數將做如下計算：
1 先計算頭兩個元素：f(1, 2)，結果為3；
2 再把結果和第3個元素計算：f(3, 3)，結果為6；
3 再把結果和第4個元素計算：f(6, 4)，結果為10；
4 再把結果和第5個元素計算：f(10, 5)，結果為15；
5 由於沒有更多的元素了，計算結束，返回結果15。
"""

3），sorted() 函數：

描述：

sorted() 函數對所有可迭代的物件進行排序操作。

sort 與 sorted 區別：

sort 是 list 的一個方法，而 sorted 可以對所有可迭代的物件進行排序操作。

list 的 sort 方法返回的是對已經存在的列表進行操作，無返回值，而內建函數 sorted 方法返回的是一個新的 list，而不是在原來的基礎上進行的操作。

語法：

sorted(iterable, key=None, reverse=False)

引數說明：

iterable：可迭代物件。

key：主要是用來進行比較的元素，只有一個引數，具體的函數的引數就是取自於可迭代物件中，指定可迭代物件中的一個元素來進行排序。

reverse ：排序規則，reverse = True 降序， reverse = False 升序（預設）。

返回值：

返回重新排序的列表。

範例

# 按年齡升序排列
persons = [('kenny', 15), ('yang', 12), ('liu', 10)]
print(sorted(persons, key=lambda s: s[1]))
# 結果： [('liu', 10), ('yang', 12), ('kenny', 15)]

4），filter() 函數：

描述：

filter() 函數用於過濾序列，過濾掉不符合條件的元素，返回由符合條件元素組成的新列表。

該接收兩個引數，第一個為函數，第二個為序列，序列的每個元素作為引數傳遞給函數進行判斷，然後返回 True 或 False，最後將返回 True 的元素放到新列表中。

語法：

filter(function, iterable)

引數：

function：判斷函數。

iterable ：可迭代物件。

返回值：

Pyhton2.x 返回列表

Python3.x 返回迭代器物件

範例

# 過濾出偶數
newlist = filter(lambda x: x % 2 == 0, range(1, 11))
print(list(newlist))
# 結果： [2, 4, 6, 8, 10]

2， Pandas 與 lambda 結合進行高效資料分析

在使用pandas的過程中，我們可以結合lambda函數很方便的進行各種資料處理操作。而lambda在pandas就又經常和df.assign、df.apply兩個函陣列合使用

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)
#輸出：
"""
       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
"""

當然不使用lambda 也是可以計算BMI。

df["BMI_N"] = df["weight"] / (df["height"] ** 2)
print(df)
#輸出：
"""
       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，當涉及到使用if …else時，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)
#輸出：
"""
       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
"""

到此這篇關於Python lambda匿名函數深入講解的文章就介紹到這了,更多相關Python lambda內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com！

Python lambda匿名函數深入講解

目錄

一，Python中lambda函數的語法

二，兩個注意點

三，lambda 應用

熱門文章