Python當(dāng)中Lambda函數(shù)怎么使用

本文小編為大家詳細(xì)介紹“Python當(dāng)中Lambda函數(shù)怎么使用”，內(nèi)容詳細(xì)，步驟清晰，細(xì)節(jié)處理妥當(dāng)，希望這篇“Python當(dāng)中Lambda函數(shù)怎么使用”文章能幫助大家解決疑惑，下面跟著小編的思路慢慢深入，一起來學(xué)習(xí)新知識吧。

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(dá)式，而該表達(dá)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：

04
17
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：

0PABLO
1PABLO
2KRISTEN
3ABDUL
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(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

讀到這里，這篇“Python當(dāng)中Lambda函數(shù)怎么使用”文章已經(jīng)介紹完畢，想要掌握這篇文章的知識點還需要大家自己動手實踐使用過才能領(lǐng)會，如果想了解更多相關(guān)內(nèi)容的文章，歡迎關(guān)注億速云行業(yè)資訊頻道。