时间：2022-08-14 09:28:51 | 栏目：Python代码 | 点击：次
大家好，今天给大家带来的是有关于Python里面的lambda表达式详细解析。lambda在Python里面的用处很广，但说实话，我个人认为有关于lambda的讨论不是如何使用的问题，而是该不该用的问题。接下来还是通过大量实例和大家分享我的学习体验，可能最后你也会得出和我一样的结论。
好啦，首先让我们先搞明白基础定义，lambda到底是什么？
Lambda表达了Python中用于创建匿名函数的特殊语法。我们将lambda语法本身称为lambda表达式，从这里得到的函数称之为lambda函数。
其实总结起来，lambda可以理解为一个小的匿名函数，lambda函数可以使用任意数量的参数，但只能有一个表达式。估计有JavaScript ES6经验的朋友们听上去会很亲切，具体函数表达式如下：
模板： lambda argument: manipulate(argument)
参数：argument就是这个匿名函数传入的参数，冒号后面是我们对这个参数的操作方法
让我们参考上面的定义模板和参数, 直接看一个最简单的例子:
add_one = lambda x:x+1 # 1个参数，执行操作为+1
add_nums = lambda x,y:x+y # 2个参数，执行操作为相加
print(add_one(2)) # 调用add_one
print(add_nums(3,7)) # 调用add_nums
>>> 3
10
相比大家已经发现lambda匿名函数的特点了，就是对于较为简单的功能，无需自己def一个了，单行就可以写下，传参和执行方法一气呵成
接下来让我们看看lambda的实际应用，就我自己使用lambda的体验来说，从来没有单独用过，lambda一般情况下是和map，filter，reduce这些超棒的内置函数以及dict，list,tuple,set 等数据结构混用，这样才能发挥它的最大效果.
好了，闲话少说，下面让我们一个个来看
首先出场的是lambda+map的组合，先看下面这个例子：
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)
这个是我们上一期的例子，实现一个数组（元组）每个元素+1，让我们回忆一下map的用法map(fun,sequence)，fun是传递的方法，sequence是一个可迭代的序列，这里我们的fun就是匿名函数lambda n:n+1，这里非常完美的解释了lambda的设计初衷，因为如果没有lambda，我们的解决方案是这样:
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))
显然易见，这里的add方法有点多余，所以用lambda代替是个好的选择。让我们再看下一个例子,这是我自己备份日志时写的一小段代码,命名不是很规范：
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 实现字符串拼接
print(result)
Out:['serverLog_11-02-19.py', 'appLog_11-02-19.py', 'paymentLog_11-02-19.py']
这里和刚才的加1例子差不多，但是换成了字符串的拼接，然而我这里用lambda并不是很好的解决方案，最后我们会说，现在大家应该对map + lambda 有一些感觉了，让我们再来个和dict字典互动的例子：
person =[{'name':'Lilei',
'city':'beijing'},
{'name':'HanMeiMei',
'city':'shanghai'}]
names=list(map(lambda x:x['name'],person))
print(names)
Out：['Lilei', 'HanMeiMei']
好了，看到这里对于map+lambda的用法大家已经很清楚了应该~
lambda和filter的组合也很常见，用于特定筛选条件下，现在让我们来看上篇文章filter的例子，就应该很好理解了：
numbers = [0, 1, 2, -3, 5, -8, 13]
# 提取奇数
result = filter(lambda x: x % 2, numbers)
print("Odd Numbers are :",list(result))
# 提取偶数
result = filter(lambda x: x % 2 == 0, numbers)
print("Even Numbers are :",list(result))
#提取正数
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]
这里无非就是我们把filter(fun,sequence)里面的fun换成了我们的lambda，只是lambda的函数部分（x%2,x%2==0,x>0）都是可以返回True或者False来判断的，符合fiter的要求，用刚才李雷和韩梅梅的例子也是一个道理：
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'}]
还是让我们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
这个例子用lambda和reduce的配合实现了list求累积和和累积乘法。
有意思的是这个例子具有两面性，一方面展示了lambda和reduce如何一起使用，另一方面也引出了接下来我想说的重点：lambda真的值得用吗？到底应该怎么用？
通过上面的例子大家已经看到了lambda的实际应用场景，但是这里我想和大家分享一下我的看法:我认为lambda的缺点略多于优点，应该避免过度使用lambda.
首先，这仅仅是我的个人看法哈，希望大家理解，我为什么这么说呢，首先让我们拿lambda方法和常规def做个对比，我发现lambda和def的主要不同点如下：
有关优点大家都可以看到，我主要想说一下它的缺点，首先，从真正需求出发，我们在大多数时候是不需要lambda的，因为总可以找到更好的替代方法，现在我们一起看一下刚才lambda+reduce 的例子，我们用lambada实现的结果如下：
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)
这里用lambda并没有实现简单高效的目的，因为我们有现成的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
结果是一样的，但是显然用sum和mul的方案更加高效。再举个常见的例子说明，假如我们有一个list存储了各种颜色，现在要求把每个颜色首字母大写，如果用lambda写出是这样：
colors = ['red','purple','green','blue'] result = map(lambda c:c.capitalize(),colors) print(list(result)) Out：['Red', 'Purple', 'Green', 'Blue'] 看着似乎不错，挺简洁的，但是我们有更好的方法： colors = ['red','purple','green','blue'] result = [c.capitalize() for c in colors] print(result) Out：['Red', 'Purple', 'Green', 'Blue'] 用sorted还能处理首字母不规范的情况，连排序都省了： colors = ['Red','purple','Green','blue'] print(sorted(colors,key=str.capitalize)) Out:['blue', 'Green', 'purple', 'Red']
还有一个主要原因就是: lambda函数没有函数名称。所以在代码交接，项目移植的场景中会给团队带来很多困难，多写个函数add_one()没什么坏处，因为大家都很容易理解，知道它是执行+1的功能，但是如果团队里你在自己负责的模块使用了很多lambda，会给其他人理解带来很多麻烦
话又说回来，存在即合理，那么真正需要我们使用lambda的是哪些场景呢：
还有一种场景非常适用，就是在给其他人制造自己很专业的错觉时，比如：
哎呀，小老弟，听说你学了Python，知道lambda不？ 没听过？不行啊，白学了！
来来来，让我给你讲讲。。。此处省略1万字
今天为大家九浅一深地讲解了lambda的用法和使用场景，所谓九浅一深，就是90%情况下用于创建简单的匿名函数，10%的情况稍微复杂（我这个借口找的太好了）
总而言之就是，任何事情都具有两面性，我们在使用lambda之前应该先停下来，问问自己是不是真的需要它。
当然，如果需要和别人忽悠的时候都是正反一张嘴，lambda是好是坏全看我们自己怎么说，吹牛时请遵守如下原则，屡试不爽：
如果你说一个女大学生晚上卖淫就是可耻，但如果改成一个妓女利用业余时间努力学习就励志多了！
lambda也是如此
Python中apply函数的格式为：apply(func,*args,**kwargs)
当然，func可以是匿名函数。
用途：当一个函数的参数存在于一个元组或者一个字典中时，用来间接的调用这个函数，并将元组或者字典中的参数按照顺序传递给参数
解析：args是一个包含按照函数所需参数传递的位置参数的一个元组，简单来说，假如A函数的函数位置为 A(a=1,b=2),那么这个元组中就必须严格按照这个参数的位置顺序进行传递(a=3,b=4)，而不能是(b=4,a=3)这样的顺序。kwargs是一个包含关键字参数的字典，而其中args如果不传递，kwargs需要传递，则必须在args的位置留空。
apply的返回值就是函数func函数的返回值。
?举例
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'})
输出结果：
('good', 'better')
(2, 9)
('cai', 'quan')
('cai', 'caiquan')
('caiquan', 'Tom')
对数据进行预处理时，大家使用比较多的是apply函数，apply函数是pandas库中的函数，非常好用的一个函数相当于循环遍历，起到对每一条数据进行处理的效果,函数的参数可能是DataFrame中的行或者列。
说到apply又不得不说lambda函数了，这两个结合来用简直爽的不行。
lambda关键字可以用来创建一个小的匿名函数
示例：
DataFrame.apply(func, axis=0, broadcast=False, raw=False,
reduce=None, args=(), *kwds)
第一个参数func是一个函数，需要自己实现，可以使用lambda匿名函数，axis默认值为0，axis为0时，会把一列的数据进行遍历。
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
#函数应用和映射
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
"""
#将函数应用到由各列或行形成的一维数组上。DataFrame的apply方法可以实现此功能
f=lambda x:x.max()-x.min()
#默认情况下会以列为单位，分别对列应用函数
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
"""
#除标量外，传递给apply的函数还可以返回由多个值组成的Series
def f(x):
return pd.Series([x.min(),x.max()],index=['min','max'])
t3=df.apply(f)
#从运行的结果可以看出，按列调用的顺序，调用函数运行的结果在右边依次追加
print(t3)
"""
b d e
min -0.896774 -2.238288 -0.662676
max 0.701109 1.974801 0.738890
"""
#元素级的python函数，将函数应用到每一个元素
#将DataFrame中的各个浮点值保留两位小数
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
"""
#注意，之所以这里用map,是因为Series有一个元素级函数的map方法。而dataframe只有applymap。
t4=df['e'].map(f)
print(t4)
"""
utah 0.74
ohio 0.47
texas -0.66
oregon -0.15
"""