python3中apply函數和lambda函數的使用詳解
lambda函數
lambda是什麼
大傢好，今天給大傢帶來的是有關於Python裡面的lambda表達式詳細解析。lambda在Python裡面的用處很廣，但說實話，我個人認為有關於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傢分享我的學習體驗，可能最後你也會得出和我一樣的結論。
好啦，首先讓我們先搞明白基礎定義，lambda到底是什麼？
Lambda表達瞭Python中用於創建匿名函數的特殊語法。我們將lambda語法本身稱為lambda表達式，從這裡得到的函數稱之為lambda函數。
其實總結起來，lambda可以理解為一個小的匿名函數，lambda函數可以使用任意數量的參數，但隻能有一個表達式。估計有JavaScript ES6經驗的朋友們聽上去會很親切，具體函數表達式如下：
模板： lambda argument: manipulate(argument)
參數：argument就是這個匿名函數傳入的參數，冒號後面是我們對這個參數的操作方法
讓我們參考上面的定義模板和參數, 直接看一個最簡單的例子:
add_one = lambda x:x+1 # 1個參數，執行操作為+1
add_nums = lambda x,y:x+y # 2個參數，執行操作為相加
print(add_one(2)) # 調用add_one
print(add_nums(3,7)) # 調用add_nums
>>> 3
10
相比大傢已經發現lambda匿名函數的特點瞭，就是對於較為簡單的功能，無需自己def一個瞭，單行就可以寫下，傳參和執行方法一氣呵成
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這些超棒的內置函數以及dict，list,tuple,set 等數據結構混用，這樣才能發揮它的最大效果.
好瞭，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，實現一個數組（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，這裡我們的fun就是匿名函數lambda n:n+1，這裡非常完美的解釋瞭lambda的設計初衷，因為如果沒有lambda，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，這裡的add方法有點多餘，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 實現字符串拼接
print(result)
Out:['serverLog_11-02-19.py', 'appLog_11-02-19.py', 'paymentLog_11-02-19.py']
這裡和剛才的加1例子差不多，但是換成瞭字符串的拼接，然而我這裡用lambda並不是很好的解決方案，最後我們會說，現在大傢應該對map + lambda 有一些感覺瞭，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']
好瞭，看到這裡對於map+lambda的用法大傢已經很清楚瞭應該~
lambda + filter
lambda和filter的組合也很常見，用於特定篩選條件下，現在讓我們來看上篇文章filter的例子，就應該很好理解瞭：
numbers = [0, 1, 2, -3, 5, -8, 13]
# 提取奇數
result = filter(lambda x: x % 2, numbers)
print("Odd Numbers are :",list(result))
# 提取偶數
result = filter(lambda x: x % 2 == 0, numbers)
print("Even Numbers are :",list(result))
#提取正數
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]
這裡無非就是我們把filter(fun,sequence)裡面的fun換成瞭我們的lambda，隻是lambda的函數部分（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的配合實現瞭list求累積和和累積乘法。
有意思的是這個例子具有兩面性，一方面展示瞭lambda和reduce如何一起使用，另一方面也引出瞭接下來我想說的重點：lambda真的值得用嗎？到底應該怎麼用？
避免過度使用lambda
通過上面的例子大傢已經看到瞭lambda的實際應用場景，但是這裡我想和大傢分享一下我的看法:我認為lambda的缺點略多於優點，應該避免過度使用lambda.
首先，這僅僅是我的個人看法哈，希望大傢理解，我為什麼這麼說呢，首先讓我們拿lambda方法和常規def做個對比，我發現lambda和def的主要不同點如下：
- 可以立即傳遞（無需變量）
- 隻需一行代碼，簡潔（未必高效）
- 可以會自動返回，無需return
- lambda函數沒有函數名稱
有關優點大傢都可以看到，我主要想說一下它的缺點，首先，從真正需求出發，我們在大多數時候是不需要lambda的，因為總可以找到更好的替代方法，現在我們一起看一下剛才lambda+reduce 的例子，我們用lambada實現的結果如下：
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)
這裡用lambda並沒有實現簡單高效的目的，因為我們有現成的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存儲瞭各種顏色，現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范的情況，連排序都省瞭： 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函數沒有函數名稱。所以在代碼交接，項目移植的場景中會給團隊帶來很多困難，多寫個函數add_one()沒什麼壞處，因為大傢都很容易理解，知道它是執行+1的功能，但是如果團隊裡你在自己負責的模塊使用瞭很多lambda，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，那麼真正需要我們使用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),該函數不值得擁有一個名字
- 使用lambda表達式，會比我們能想到的函數名稱更容易理解
- 除瞭lambda，沒有任何python提供的函數可以實現目的
- 團隊中所有成員都掌握lambda，大傢同意你用
還有一種場景非常適用，就是在給其他人制造自己很專業的錯覺時，比如：
哎呀，小老弟，聽說你學瞭Python，知道lambda不？ 沒聽過？不行啊，白學瞭！
來來來，讓我給你講講。。。此處省略1萬字
總結
今天為大傢九淺一深地講解瞭lambda的用法和使用場景，所謂九淺一深，就是90%情況下用於創建簡單的匿名函數，10%的情況稍微復雜（我這個借口找的太好瞭）
總而言之就是，任何事情都具有兩面性，我們在使用lambda之前應該先停下來，問問自己是不是真的需要它。
當然，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麼說，吹牛時請遵守如下原則，屢試不爽：
如果你說一個女大學生晚上賣淫就是可恥，但如果改成一個妓女利用業餘時間努力學習就勵志多瞭！
lambda也是如此
apply函數
Python中apply函數的格式為：apply(func,*args,**kwargs)
當然，func可以是匿名函數。
用途：當一個函數的參數存在於一個元組或者一個字典中時，用來間接的調用這個函數，並將元組或者字典中的參數按照順序傳遞給參數
解析：args是一個包含按照函數所需參數傳遞的位置參數的一個元組，簡單來說，假如A函數的函數位置為 A(a=1,b=2),那麼這個元組中就必須嚴格按照這個參數的位置順序進行傳遞(a=3,b=4)，而不能是(b=4,a=3)這樣的順序。kwargs是一個包含關鍵字參數的字典，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func函數的返回值。
⭐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'})
輸出結果：
('good', 'better')
(2, 9)
('cai', 'quan')
('cai', 'caiquan')
('caiquan', 'Tom')
對數據進行預處理時，大傢使用比較多的是apply函數，apply函數是pandas庫中的函數，非常好用的一個函數相當於循環遍歷，起到對每一條數據進行處理的效果,函數的參數可能是DataFrame中的行或者列。
說到apply又不得不說lambda函數瞭，這兩個結合來用簡直爽的不行。
lambda關鍵字可以用來創建一個小的匿名函數
示例：
DataFrame.apply(func, axis=0, broadcast=False, raw=False,
reduce=None, args=(), *kwds)
第一個參數func是一個函數，需要自己實現，可以使用lambda匿名函數，axis默認值為0，axis為0時，會把一列的數據進行遍歷。
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
#函數應用和映射
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
"""
#將函數應用到由各列或行形成的一維數組上。DataFrame的apply方法可以實現此功能
f=lambda x:x.max()-x.min()
#默認情況下會以列為單位，分別對列應用函數
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
"""
#除標量外，傳遞給apply的函數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)
#從運行的結果可以看出，按列調用的順序，調用函數運行的結果在右邊依次追加
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，將函數應用到每一個元素
#將DataFrame中的各個浮點值保留兩位小數
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
"""
#註意，之所以這裡用map,是因為Series有一個元素級函數的map方法。而dataframe隻有applymap。
t4=df['e'].map(f)
print(t4)
"""
utah 0.74
ohio 0.47
texas -0.66
oregon -0.15
"""
到此這篇關於python3中apply函數和lambda函數的使用詳解的文章就介紹到這瞭,更多相關python3 apply函數和lambda函數內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！
推薦閱讀：
- Python中號稱神仙的六個內置函數詳解
- Python lambda函數使用方法深度總結
- 解析pandas apply() 函數用法(推薦)
- Python中不可錯過的五個超有用函數
- Python函數進階與文件操作詳情