Python Lambda函数使用总结详解

这篇文章主要介绍了PythonLambda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

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：

• 不需要定义函数名（匿名函数）
• 代码简洁美观
• 适用于定义简单的计算

lambda的缺点：

• 只有一个运算式，不适用于复杂的计算
• 不够直观，难于理解，增加了维护成本

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。