推荐一个Python超级好用的内置函数lambda

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

lambdaarguments: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

(lambdax: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

importnumpyasnp

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

lambdax:x**2<100

最后出来的结果如下所示

list(filter(lambdax: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

lambdax:x**2+x**3

我们将其和map()方法联用起来

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

output

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

我们同样使用map()方法来操作，代码如下

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

output

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

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(lambdax:(x+5)/x**2)

output

而要是遇到DataFarme表格数据的时候，也是同样地操作

output

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=lambdax,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

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

output

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

我们可以将其简化成

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