深入了解Python中Lambda函数的用法

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

[12,
 150,
 576,
 1452,
 2940,
 5202,
 ......]

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，

mylist = list(np.arange(4,52,3))
yourlist = list(np.arange(2,50,3))

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

[20,
 74,
 164,
 290,
 452,
 650,
 884,
 1154,
......]

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

0      4
1      7
2     10
3     13
4     16
5     19
6     22
7     25
8     28
......
dtype: int32

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

0     0.562500
1     0.244898
2     0.150000
3     0.106509
4     0.082031
5     0.066482
6     0.055785
7     0.048000
......
dtype: float64

而要是遇到DataFarme表格数据的时候，也是同样地操作

df = pd.read_csv(r'Dummy_Sales_Data_v1.csv')
df["Sales_Manager"] = df["Sales_Manager"].apply(lambda x: x.upper())
df["Sales_Manager"].head()

output

0      PABLO
1      PABLO
2    KRISTEN
3      ABDUL
4     STELLA
Name: Sales_Manager, dtype: object

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

def squared_sum(x,y):
    return x**2 + y**2
  
squared_sum(3,4)

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

import math
mylist = [10, 25, 40, 49, 65, 81]
sqrt_list = list(map(lambda x: math.sqrt(x), mylist))
sqrt_list

output

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

我们可以将其简化成

import math
mylist = [10, 25, 40, 49, 65, 81]
sqrt_list = list(map(math.sqrt, mylist))
sqrt_list

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

到此这篇关于深入了解Python中Lambda函数的用法的文章就介绍到这了,更多相关Python Lambda函数内容请搜索米米素材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米米素材网！