时间：2020-11-03 13:09:51 | 栏目：Python代码 | 点击：次
这篇文章主要介绍了Python Lambda函数使用总结详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
lambda表达式是一种匿名函数，对应python中的自定义函数def，是定义某个函数时比较高级的一种写法。作为python初学者，本文整理了lambda的一些基本用法和特点。
lambda和def的对应关系
定义func函数，计算给定数x的平方
def func(x): return x*x
等价于
func = lambda x: x*x
其中func是函数名，x是输入参数，x*x是输出结果
输入参数可以有多个，可以接收不定参数如*args或者**kwargs。
f = lambda x, *args, para, **kwargs : [args, para, kwargs]
f(1, 2, 3, para='number', name='Jack', sex='male')
# 输出 [(2, 3), 'number', {'name': 'Jack', 'sex': 'male'}]
有时也可以不指定输入参数，如：
lambda: random.randn()
lambda与map(), filter(), reduce()
lambda表达式返回一个函数，这个函数可以作为其他函数的参数。常用的可以与lambda组合的内置函数有map(), filter(), reduce().
在处理一个可迭代对象如列表，字典等时，可以用map(lambda, x) 代替 for...in...循环，如：
lst = [1, 2, 3, 4, 5] res = [] for i in lst: a = i*i res.append(a)
等价于
res = list(map(lambda x:x*x, lst))
可以看到这里的lambda生成的函数直接作为map函数的function参数，对列表的每一个元素进行平方计算
同理可以将lambda用于filter进行筛选，或者reduce累积运算：
from functools import reducelst = [1, 2, 3, 4, 5]f_res = filter(lambda x: x>3, lst)
r_res = reduce(lambda x, y: x*y, lst)
print('大于3的数字有：', list(f_res))
print('累乘结果为：', r_res)
输出结果：
大于3的数字有： [4, 5]
累乘结果为： 120
lambda与if条件判断
lambda表达式中可以插入if...else进行条件判断，如
f = lambda x: 'even' if x%2==0 else 'odd' # f(3)输出结果 odd
等价于
def f(x):<br data-filtered="filtered"> if x%2==0:<br data-filtered="filtered"> return 'even'<br data-filtered="filtered"> else:<br data-filtered="filtered"> return 'odd'
注意如果在lambda中使用if进行条件判断，则else是必须声明的，否则会引起报错。如果不返回结果可以用 else None 表示。
if...elif...else的多条件判断也可以用于lambda，但会使得代码过于复杂，所以不推荐。
lambda在pandas中的使用
lambda函数常用于DataFrame或者Series对象下的map、apply、transform方法
import pandas as pd
df = pd.DataFrame({'Age': [22, 21, 22, 21, 20], 'Score': [87, 66, 79, 54, 59]})
df['Pass'] = df.apply(lambda x: 'pass' if x[1]>=60 else 'Not pass', axis=1)
输出新列 'Pass'，根据成绩判断通过与否，输出df后结果为：
Age Score Pass 0 22 87 pass 1 21 66 pass 2 22 79 pass 3 21 54 Not pass 4 20 59 Not pass
x为DataFrame对象，当参数axis=1时，x[1]等于第二列。
当用于Series对象时，以上代码等价于：
df['Pass'] = df['Score'].apply(lambda x: 'pass' if x>60 else 'Not pass')
在pandas中，通过apply，map, transform方法，lambda可以直接应用于Series级别的运算。
当使用applymap方法时，lambda可以应用于DataFrame级别的运算。
lamda的优缺点
lambda的优点：
lambda的缺点：