一个数据人的自留地 | 详解Python当中Lambda函数的用法（早学会早享受）

本文主要是介绍一个数据人的自留地 | 详解Python当中Lambda函数的用法（早学会早享受），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

本文来源公众号“一个数据人的自留地”，仅用于学术分享，侵权删，干货满满。

原文链接：详解Python当中Lambda函数的用法

今天来给大家推荐一个Python当中超级好用的内置函数，那便是lambda方法，本篇教程大致和大家分享以下几个方面：

• 什么是lambda函数

• lambda函数过滤列表元素

• lambda函数和map()方法的联用

• lambda函数和apply()方法的联用

• 什么时候不适合使用lambda方法

1 什么是Lambda函数

在Python当中，我们经常使用lambda关键字来声明一个匿名函数，所谓的匿名函数，通俗地来讲就是没有名字的函数，具体的语法格式如下所示：

lambda arguments : expression

其中它可以接受任意数量的参数，但是只允许包含一个表达式，而该表达式的运算结果就是函数的返回值，我们可以简单地来写一个例子

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

output

25

2 过滤列表中的元素

那么我们如何来过滤列表当中的元素呢？这里就需要将lambda函数和filter()方法联合起来使用了，而filter()方法的语法格式

filter(function, iterable)

• function -- 判断函数

• iterable -- 可迭代对象，列表或者是字典

其中我们有这么一个列表

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

其中我们想要过滤出2次方之后小于100的元素，我们来定义一个匿名函数，如下

lambda x:x**2<100

最后出来的结果如下所示

list(filter(lambda x:x**2<100, yourlist))

output

[2, 5, 8]

要是遇上复杂的计算过程，小编这里还是推荐大家自己自定义一个函数，但若是简单的计算过程，lambda匿名函数绝对是最佳的选择。

3 和map()函数的联用

map()函数的语法和上面的filter()函数相近，例如下面这个匿名函数

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

我们将其和map()方法联用起来

list(map(lambda x: x**2+x**3, yourlist))

output

[12,150,576,1452,2940,5202,......]

当然正如我们之前提到的lambda匿名函数可以接受多个数量的参数，我们这里就可以来尝试一下了，例如有两组列表：

mylist = list(np.arange(4,52,3))
yourlist = list(np.arange(2,50,3))

我们同样使用map()方法来操作，代码如下

list(map(lambda x,y: x**2+y**2, yourlist,mylist))

output

[20,74,164,290,452,650,884,1154,
......]

4 和apply()方法的联用

apply()方法在Pandas的数据表格中用的比较多，而在apply()方法当中就带上lambda匿名函数，我们新建一个数据表格，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()方法的使用和前两者稍有不同，map()方法和filter()方法我们都需要将可迭代对象放入其中，而这里的apply()则不需要

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表格数据的时候，也是同样地操作：

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

并且通过apply()方法处理可是比直接用str.upper()方法来处理，速度来的更快哦！！

5 不太适合使用的场景

那么不适合的场景有哪些呢？那么首先lambda函数作为一个匿名函数，不适合将其赋值给一个变量，例如下面的这个案例：

squared_sum = lambda x,y: x**2 + y**2
squared_sum(3,4)

相比较而言更好的是自定义一个函数来进行处理：

def squared_sum(x,y):return x**2 + y**2squared_sum(3,4)

output

25

而我们遇到如下情景的时候，可以对代码稍作简化处理：

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]

我们可以将其简化成下面的代码：

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当中的内置函数，尤其是例如math这种用于算数的模块，可以不需要放在lambda函数中，可以直接抽出来用。

THE END!

文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。

这篇关于一个数据人的自留地 | 详解Python当中Lambda函数的用法（早学会早享受）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---