今天來(lái)給大家推薦一個(gè)Python當(dāng)中超級(jí)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(guò)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(shí)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(lái)聲明一個(gè)匿名函數(shù)，所謂地匿名函數(shù)，通俗地來(lái)講就是沒(méi)有名字的函數(shù)，具體的語(yǔ)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(gè)表達(dá)式，而該表達(dá)式的運(yùn)算結(jié)果就是函數(shù)的返回值，我們可以簡(jiǎn)單地來(lái)寫(xiě)一個(gè)例子：

(lambda x:x**2)(5)

output：

25

過(guò)濾列表中的元素

那么我們?nèi)绾蝸?lái)過(guò)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(lái)使用了，而filter()方法的語(yǔ)法格式：

filter(function, iterable)

• function -- 判斷函數(shù)
• iterable -- 可迭代對(duì)象，列表或者是字典

其中我們有這么一個(gè)列表：

import numpy as np
yourlist = list(np.arange(2,50,3))

其中我們想要過(guò)濾出2次方之后小于100的元素，我們來(lái)定義一個(gè)匿名函數(shù)，如下：

lambda x:x**2<100

最后出來(lái)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(jì)算過(guò)程，小編這里還是推薦大家自己自定義一個(gè)函數(shù)，但若是簡(jiǎn)單的計(jì)算過(guò)程，lambda匿名函數(shù)絕對(duì)是最佳的選擇。

和map()函數(shù)的聯(lián)用

map()函數(shù)的語(yǔ)法和上面的filter()函數(shù)相近，例如下面這個(gè)匿名函數(shù)：

lambda x: x**2+x**3

我們將其和map()方法聯(lián)用起來(lái)：

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(gè)數(shù)量的參數(shù)，我們這里就可以來(lái)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(lái)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(gè)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(duì)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(shí)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(guò)apply()方法處理可是比直接用str.upper()方法來(lái)處理，速度來(lái)的更快哦?。?/p>

不太適合使用的場(chǎng)景

那么不適合的場(chǎng)景有哪些呢？那么首先lambda函數(shù)作為一個(gè)匿名函數(shù)，不適合將其賦值給一個(gè)變量，例如下面的這個(gè)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(gè)函數(shù)來(lái)進(jìn)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(shí)候，可以對(duì)代碼稍作簡(jiǎn)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(jiǎn)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(lái)用