淺談Python當(dāng)中Lambda函數(shù)的用法
今天來給大家推薦一個Python當(dāng)中超級好用的內(nèi)置函數(shù)，那便是lambda方法，本篇教程大致和大家分享：
- 什么是lambda函數(shù)
- lambda函數(shù)過濾列表元素
- lambda函數(shù)和map()方法的聯(lián)用
- lambda函數(shù)和apply()方法的聯(lián)用
- 什么時候不適合使用lambda方法
什么是Lambda函數(shù)
在Python當(dāng)中，我們經(jīng)常使用lambda關(guān)鍵字來聲明一個匿名函數(shù)，所謂地匿名函數(shù)，通俗地來講就是沒有名字的函數(shù)，具體的語法格式如下所示：
lambda arguments : expression
其中它可以接受任意數(shù)量的參數(shù)，但是只允許包含一個表達式，而該表達式的運算結(jié)果就是函數(shù)的返回值，我們可以簡單地來寫一個例子：
(lambda x:x**2)(5)
output：
25過濾列表中的元素
那么我們?nèi)绾蝸磉^濾列表當(dāng)中的元素呢？這里就需要將lambda函數(shù)和filter()方法聯(lián)合起來使用了，而filter()方法的語法格式：
filter(function, iterable)
- function -- 判斷函數(shù)
- iterable -- 可迭代對象，列表或者是字典
其中我們有這么一個列表：
import numpy as np
yourlist = list(np.arange(2,50,3))
其中我們想要過濾出2次方之后小于100的元素，我們來定義一個匿名函數(shù)，如下：
lambda x:x**2<100
最后出來的結(jié)果如下所示：
list(filter(lambda x:x**2<100, yourlist))
output：
[2, 5, 8]
要是遇上復(fù)雜的計算過程，小編這里還是推薦大家自己自定義一個函數(shù)，但若是簡單的計算過程，lambda匿名函數(shù)絕對是最佳的選擇。
和map()函數(shù)的聯(lián)用
map()函數(shù)的語法和上面的filter()函數(shù)相近，例如下面這個匿名函數(shù)：
lambda x: x**2+x**3
我們將其和map()方法聯(lián)用起來：
list(map(lambda x: x**2+x**3, yourlist))
output：
[12,
150,
576,
1452,
2940,
5202,
]
當(dāng)然正如我們之前提到的lambda匿名函數(shù)可以接受多個數(shù)量的參數(shù)，我們這里就可以來嘗試一下了，例如有兩組列表，
mylist = list(np.arange(4,52,3))
yourlist = list(np.arange(2,50,3))
我們同樣使用map()方法來操作，代碼如下：
list(map(lambda x,y: x**2+y**2, yourlist,mylist))
output：
[20,
74,
164,
290,
452,
650,
884,
1154,
]
和apply()方法的聯(lián)用
apply()方法在Pandas的數(shù)據(jù)表格中用的比較多，而在apply()方法當(dāng)中就帶上lambda匿名函數(shù)，我們新建一個數(shù)據(jù)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()方法的使用和前兩者稍有不同，map()方法和filter()方法我們都需要將可迭代對象放入其中，而這里的apply()則不需要：
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表格數(shù)據(jù)的時候，也是同樣地操作
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
并且通過apply()方法處理可是比直接用str.upper()方法來處理，速度來的更快哦！！
不太適合使用的場景
那么不適合的場景有哪些呢？那么首先lambda函數(shù)作為一個匿名函數(shù)，不適合將其賦值給一個變量，例如下面的這個案例：
squared_sum = lambda x,y: x**2 + y**2
squared_sum(3,4)
相比較而言更好的是自定義一個函數(shù)來進行處理：
def squared_sum(x,y):
return x**2 + y**2
squared_sum(3,4)
output：
25而我們遇到如下情景的時候，可以對代碼稍作簡化處理：
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]
我們可以將其簡化成：
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當(dāng)中的內(nèi)置函數(shù)，尤其是例如math這種用于算數(shù)的模塊，可以不需要放在lambda函數(shù)中，可以直接抽出來用
