python3中apply函數(shù)和lambda函數(shù)的使用詳解

更新時間：2022年02月28日 14:55:02 作者：水無垠ZZU

本文主要介紹了python3中apply函數(shù)和lambda函數(shù)的使用詳解，文中通過示例代碼介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們可以參考一下

lambda函數(shù)

lambda是什么

大家好，今天給大家?guī)淼氖怯嘘P(guān)于Python里面的lambda表達(dá)式詳細(xì)解析。lambda在Python里面的用處很廣，但說實話，我個人認(rèn)為有關(guān)于lambda的討論不是如何使用的問題，而是該不該用的問題。接下來還是通過大量實例和大家分享我的學(xué)習(xí)體驗，可能最后你也會得出和我一樣的結(jié)論。

好啦，首先讓我們先搞明白基礎(chǔ)定義，lambda到底是什么？

Lambda表達(dá)了Python中用于創(chuàng)建匿名函數(shù)的特殊語法。我們將lambda語法本身稱為lambda表達(dá)式，從這里得到的函數(shù)稱之為lambda函數(shù)。

其實總結(jié)起來，lambda可以理解為一個小的匿名函數(shù)，lambda函數(shù)可以使用任意數(shù)量的參數(shù)，但只能有一個表達(dá)式。估計有JavaScript ES6經(jīng)驗的朋友們聽上去會很親切，具體函數(shù)表達(dá)式如下：

模板： lambda argument: manipulate(argument)
參數(shù)：argument就是這個匿名函數(shù)傳入的參數(shù)，冒號后面是我們對這個參數(shù)的操作方法
讓我們參考上面的定義模板和參數(shù), 直接看一個最簡單的例子:

add_one = lambda x:x+1       # 1個參數(shù)，執(zhí)行操作為+1
add_nums = lambda x,y:x+y    # 2個參數(shù)，執(zhí)行操作為相加

print(add_one(2))            # 調(diào)用add_one
print(add_nums(3,7))         # 調(diào)用add_nums

>>>   3 
      10

相比大家已經(jīng)發(fā)現(xiàn)lambda匿名函數(shù)的特點了，就是對于較為簡單的功能，無需自己def一個了，單行就可以寫下，傳參和執(zhí)行方法一氣呵成

lambda用法詳解

接下來讓我們看看lambda的實際應(yīng)用，就我自己使用lambda的體驗來說，從來沒有單獨用過，lambda一般情況下是和map，filter，reduce這些超棒的內(nèi)置函數(shù)以及dict，list,tuple,set 等數(shù)據(jù)結(jié)構(gòu)混用，這樣才能發(fā)揮它的最大效果.

好了，閑話少說，下面讓我們一個個來看

lambda + map

首先出場的是lambda+map的組合，先看下面這個例子：

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)

這個是我們上一期的例子，實現(xiàn)一個數(shù)組（元組）每個元素+1，讓我們回憶一下map的用法map(fun,sequence)，fun是傳遞的方法，sequence是一個可迭代的序列，這里我們的fun就是匿名函數(shù)
lambda n:n+1，這里非常完美的解釋了lambda的設(shè)計初衷，因為如果沒有l(wèi)ambda，我們的解決方案是這樣:

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))

顯然易見，這里的add方法有點多余，所以用lambda代替是個好的選擇。讓我們再看下一個例子,這是我自己備份日志時寫的一小段代碼,命名不是很規(guī)范：

from datetime import datetime as dt
logs = ['serverLog','appLog','paymentLog']
format ='_{}.py'.format(dt.now().strftime('%d-%m-%y'))
result =list(map(lambda x:x+format,logs))   # 利用map+lambda 實現(xiàn)字符串拼接
print(result)

Out:['serverLog_11-02-19.py', 'appLog_11-02-19.py', 'paymentLog_11-02-19.py']

這里和剛才的加1例子差不多，但是換成了字符串的拼接，然而我這里用lambda并不是很好的解決方案，最后我們會說，現(xiàn)在大家應(yīng)該對map + lambda 有一些感覺了，讓我們再來個和dict字典互動的例子：

person =[{'name':'Lilei',
          'city':'beijing'},
         {'name':'HanMeiMei',
          'city':'shanghai'}]

names=list(map(lambda x:x['name'],person))
print(names)

Out：['Lilei', 'HanMeiMei']

好了，看到這里對于map+lambda的用法大家已經(jīng)很清楚了應(yīng)該~

lambda + filter

lambda和filter的組合也很常見，用于特定篩選條件下，現(xiàn)在讓我們來看上篇文章filter的例子，就應(yīng)該很好理解了：

numbers = [0, 1, 2, -3, 5, -8, 13]

# 提取奇數(shù)
result = filter(lambda x: x % 2, numbers)
print("Odd Numbers are :",list(result))

# 提取偶數(shù)
result = filter(lambda x: x % 2 == 0, numbers)
print("Even Numbers are :",list(result))

#提取正數(shù)
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]

這里無非就是我們把filter(fun,sequence)里面的fun換成了我們的lambda，只是lambda的函數(shù)部分（x%2,x%2==0,x>0）都是可以返回True或者False來判斷的，符合fiter的要求，用剛才李雷和韓梅梅的例子也是一個道理：

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

還是讓我們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

這個例子用lambda和reduce的配合實現(xiàn)了list求累積和和累積乘法。
有意思的是這個例子具有兩面性，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來我想說的重點：lambda真的值得用嗎？到底應(yīng)該怎么用？

避免過度使用lambda

通過上面的例子大家已經(jīng)看到了lambda的實際應(yīng)用場景，但是這里我想和大家分享一下我的看法:我認(rèn)為lambda的缺點略多于優(yōu)點，應(yīng)該避免過度使用lambda.

首先，這僅僅是我的個人看法哈，希望大家理解，我為什么這么說呢，首先讓我們拿lambda方法和常規(guī)def做個對比，我發(fā)現(xiàn)lambda和def的主要不同點如下：

可以立即傳遞（無需變量）
只需一行代碼，簡潔（未必高效）
可以會自動返回，無需return
lambda函數(shù)沒有函數(shù)名稱

有關(guān)優(yōu)點大家都可以看到，我主要想說一下它的缺點，首先，從真正需求出發(fā)，我們在大多數(shù)時候是不需要lambda的，因為總可以找到更好的替代方法，現(xiàn)在我們一起看一下剛才lambda+reduce 的例子，我們用lambada實現(xiàn)的結(jié)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)

這里用lambda并沒有實現(xiàn)簡單高效的目的，因為我們有現(xiàn)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

結(jié)果是一樣的，但是顯然用sum和mul的方案更加高效。再舉個常見的例子說明，假如我們有一個list存儲了各種顏色，現(xiàn)在要求把每個顏色首字母大寫，如果用lambda寫出是這樣：

colors = ['red','purple','green','blue']
result = map(lambda c:c.capitalize(),colors)
print(list(result))

Out：['Red', 'Purple', 'Green', 'Blue']
看著似乎不錯，挺簡潔的，但是我們有更好的方法：


colors = ['red','purple','green','blue']
result = [c.capitalize() for c in colors]
print(result)

Out：['Red', 'Purple', 'Green', 'Blue']
用sorted還能處理首字母不規(guī)范的情況，連排序都省了：

colors = ['Red','purple','Green','blue']
print(sorted(colors,key=str.capitalize))

Out:['blue', 'Green', 'purple', 'Red']

還有一個主要原因就是: lambda函數(shù)沒有函數(shù)名稱。所以在代碼交接，項目移植的場景中會給團(tuán)隊帶來很多困難，多寫個函數(shù)add_one()沒什么壞處，因為大家都很容易理解，知道它是執(zhí)行+1的功能，但是如果團(tuán)隊里你在自己負(fù)責(zé)的模塊使用了很多l(xiāng)ambda，會給其他人理解帶來很多麻煩

適合lambda的場景

話又說回來，存在即合理，那么真正需要我們使用lambda的是哪些場景呢：

你需要的方法是很簡單的(+1，字符串拼接等),該函數(shù)不值得擁有一個名字
使用lambda表達(dá)式，會比我們能想到的函數(shù)名稱更容易理解
除了lambda，沒有任何python提供的函數(shù)可以實現(xiàn)目的
團(tuán)隊中所有成員都掌握lambda，大家同意你用

還有一種場景非常適用，就是在給其他人制造自己很專業(yè)的錯覺時，比如：

哎呀，小老弟，聽說你學(xué)了Python，知道lambda不？沒聽過？不行啊，白學(xué)了！
來來來，讓我給你講講。。。此處省略1萬字

總結(jié)

今天為大家九淺一深地講解了lambda的用法和使用場景，所謂九淺一深，就是90%情況下用于創(chuàng)建簡單的匿名函數(shù)，10%的情況稍微復(fù)雜（我這個借口找的太好了）

總而言之就是，任何事情都具有兩面性，我們在使用lambda之前應(yīng)該先停下來，問問自己是不是真的需要它。

當(dāng)然，如果需要和別人忽悠的時候都是正反一張嘴，lambda是好是壞全看我們自己怎么說，吹牛時請遵守如下原則，屢試不爽：

如果你說一個女大學(xué)生晚上賣淫就是可恥，但如果改成一個妓女利用業(yè)余時間努力學(xué)習(xí)就勵志多了！

lambda也是如此

apply函數(shù)

Python中apply函數(shù)的格式為：apply(func,*args,**kwargs)

當(dāng)然，func可以是匿名函數(shù)。

用途：當(dāng)一個函數(shù)的參數(shù)存在于一個元組或者一個字典中時，用來間接的調(diào)用這個函數(shù)，并將元組或者字典中的參數(shù)按照順序傳遞給參數(shù)

解析：args是一個包含按照函數(shù)所需參數(shù)傳遞的位置參數(shù)的一個元組，簡單來說，假如A函數(shù)的函數(shù)位置為 A(a=1,b=2),那么這個元組中就必須嚴(yán)格按照這個參數(shù)的位置順序進(jìn)行傳遞(a=3,b=4)，而不能是(b=4,a=3)這樣的順序。kwargs是一個包含關(guān)鍵字參數(shù)的字典，而其中args如果不傳遞，kwargs需要傳遞，則必須在args的位置留空。

apply的返回值就是函數(shù)func函數(shù)的返回值。

?舉例

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'})

輸出結(jié)果：

('good', 'better')
(2, 9)
('cai', 'quan')
('cai', 'caiquan')
('caiquan', 'Tom')

對數(shù)據(jù)進(jìn)行預(yù)處理時，大家使用比較多的是apply函數(shù)，apply函數(shù)是pandas庫中的函數(shù)，非常好用的一個函數(shù)相當(dāng)于循環(huán)遍歷，起到對每一條數(shù)據(jù)進(jìn)行處理的效果,函數(shù)的參數(shù)可能是DataFrame中的行或者列。

說到apply又不得不說lambda函數(shù)了，這兩個結(jié)合來用簡直爽的不行。

lambda關(guān)鍵字可以用來創(chuàng)建一個小的匿名函數(shù)

示例：

DataFrame.apply(func, axis=0, broadcast=False, raw=False,
                 reduce=None, args=(), *kwds)

第一個參數(shù)func是一個函數(shù)，需要自己實現(xiàn)，可以使用lambda匿名函數(shù)，axis默認(rèn)值為0，axis為0時，會把一列的數(shù)據(jù)進(jìn)行遍歷。

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

#函數(shù)應(yīng)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
"""

#將函數(shù)應(yīng)用到由各列或行形成的一維數(shù)組上。DataFrame的apply方法可以實現(xiàn)此功能
f=lambda x:x.max()-x.min()
#默認(rèn)情況下會以列為單位，分別對列應(yīng)用函數(shù)
t1=df.apply(f)
print(t1)
t2=df.apply(f,axis=1)
print(t2)

"""
b    1.597883
d    4.213089
e    1.401566
dtype: float64
utah      2.642770
ohio      1.370957
texas     1.552852
oregon    2.939397
dtype: float64
"""

#除標(biāo)量外，傳遞給apply的函數(shù)還可以返回由多個值組成的Series
def f(x):
    return pd.Series([x.min(),x.max()],index=['min','max'])
t3=df.apply(f)
#從運行的結(jié)果可以看出，按列調(diào)用的順序，調(diào)用函數(shù)運行的結(jié)果在右邊依次追加
print(t3)

"""
            b         d         e
min -0.896774 -2.238288 -0.662676
max  0.701109  1.974801  0.738890
"""

#元素級的python函數(shù)，將函數(shù)應(yīng)用到每一個元素
#將DataFrame中的各個浮點值保留兩位小數(shù)
f=lambda x: '%.2f'%x
t3=df.applymap(f)
print(t3)
"""
            b      d      e
utah    -0.67   1.97   0.74
ohio    -0.90  -0.79   0.47
texas    0.04   0.89  -0.66
oregon   0.70  -2.24  -0.15
"""

#注意，之所以這里用map,是因為Series有一個元素級函數(shù)的map方法。而dataframe只有applymap。
t4=df['e'].map(f)
print(t4)

"""
utah     0.74
ohio     0.47
texas   -0.66
oregon  -0.15
"""

到此這篇關(guān)于python3中apply函數(shù)和lambda函數(shù)的使用詳解的文章就介紹到這了,更多相關(guān)python3 apply函數(shù)和lambda函數(shù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: