Python入门高阶教程-高阶函数

2020，做一个无可替代的人！

写在前面的话

前面写的 Python 入门教程中只有基础入门和基础进阶两部分，可以在公众号下拉菜单中找到，小一我都已经分好类了。

做数据分析的话，我觉得高阶部分的内容你一节都不要错过，这部分内容算是数据预处理的核心了。

我也将会从高阶函数的使用，NumPy，SciPy，Pandas 以及可能会用到的 Scikit-learn 几个部分开始。

你可能现在还不懂这些基础包是干什么的，这不重要，我会在干货内容中插入一些我踩过坑的小项目，回过头你再来品一下文章，想必收获会非常大。

正文

Lambda 函数

准确的说，Lambda 函数并不能称为高阶函数。但是在实际项目的开发过程中，Lambda 函数使用的相当频繁，并且效率也相当高，所以，一起来看看吧！

Lambda 函数又称为 Python 的匿名函数，一次性函数。

Lambda函数是使用 lambda 运算符创建的，可以包含任意多的参数，但它只有一个表达式。其语法如下：

lambda参数：表达式

例如：计算一个数的平方

# 通过 lambda 表达式计算一个数的平方
result = lambda x: x*x
print(result(5))

例如：计算两个数相乘

# 通过 lambda 表达式计算两个数相乘
result = lambda x, y: x*y
print(result(2, 5))

可能大家都明白 lambda 函数怎么用了吧。

相比起普通函数，为什么 lambda 表达式会更简单方便呢，我再举个例子：

# 输出10以内每个数乘以2：
# 定义函数
def new_func(number):
	return number*2

# 一般函数写法
result_number = [new_func(number) for number in range(10)]
print(result_number)

# lambda 函数写法
result_number = list(map(lambda x: x*2, [number for number in range(10)]))
print(result_number)

# 输出结果
[0, 2, 4, 6, 8, 10, 12, 14, 16, 18]
[0, 2, 4, 6, 8, 10, 12, 14, 16, 18]

可以看到，同样的结果，使用 lambda 的方式会更简单些。

这里在 lambda 表达式中使用了高阶函数 map，后面也会介绍到，往下看

map 函数

说到map，我首先想到的是 Java 中的 map 数据类型，Map<K,V>一种键值对的存储方式。

其次想到的是 reduce，map-reduce，Hadoop早期的一种大数据处理方式。

放一张 Google MapReduce 的中文版摘要，大家细品

map 函数是 Python 的内建函数，可以直接使用。

map() 函数接接收两个参数，一个是 函数，一个是 可迭代对象 Iterable。

map将传入的函数依次作用到每个Iterable 上，并把结果作为新的 Iterator 返回。

别慌，上面一段话你可能云里雾里，我举个例子你在品

举例：有一个函数f(x)=x*2，要把这个函数作用在list [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]上

熟不熟悉？这不就是上面 lambda 中的例子吗？

其中，0-9数据集合是可迭代对象， f(x)=x*2作为我们的 lambda 函数，返回的新数据集是 Iterator。

再来个例子，将刚才的 list [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] 全部转换为字符

# 将[0, 1, 2, 3, 4, 5, 6, 7, 8, 9] 全部转换为字符
list(map(str, [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]))

# 输出
['0', '1', '2', '3', '4', '5', '6', '7', '8', '9']

看懂了吧，map() 就是一个映射函数，会根据提供的函数对指定序列做映射，映射的结果可以进行相应的类型转换。

reduce 函数

再来看 reduce 函数，reduce 函数也是 Python 的内建函数，可以直接使用。

reduce() 函数接收和 map 同样的两个参数，不同的是 reduce 把上一次的结果继续和序列的下一个元素做累积计算。

直接看例子：

# 猜猜这是在干嘛？
reduce(lambda x,y: x+y, [0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

# 输出
45

你可能猜到了，做累加，对，没错！0~9数字的累加和，结果是45

reduce 函数的效果可以这样表示

reduce(f, [x1, x2, x3, x4]) = f(f(f(x1, x2), x3), x4)

再来张图，别说你还看不懂：

reduce() 是累积运算函数，会根据提供的运算函数对迭代类型参数中的元素进行累积运算。

filter 函数

filter 的中文翻译是过滤，filter 函数也是 Python 的内建函数，可以直接使用。

filter() 函数同样接收两个参数：一个函数和一个序列。

filter() 把传入的函数依次作用于每个元素，然后根据返回值是 True 或者 False 决定保留还是丢弃该元素。

这个介绍应该都能看懂，就把 filter 想象成一个过滤器。

看个例子：对于 list [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] 输出其中的偶数

# 输出所有的偶数
list(filter(lambda x:x%2==0, [1, 2, 3, 4, 5, 6, 7, 8, 9]))

# 输出
[2, 4, 6, 8]

很简单，filter() 是过滤函数，会根据提供的过滤函数对迭代类型参数中的元素进行过滤，保留使运算函数返回 true 的元素。

sorted 函数

sorted 函数也如它的中文意思一样，可以对所有可迭代的对象进行排序操作。

看一下sorted 的语法 ：

sorted(iterable, cmp=None, key=None, reverse=False)

• iterable ：表示一个可迭代对象
• cmp：比较的函数，比较可迭代对象中的两个对象
• key：要来比较的元素
• reverse：排序规则。reverse = True 降序 ， reverse = False 升序（默认）

举例1：将[2, 5, 7, 8, 1, -1]从大到小排列

sorted([2, 5, 7, 8, 1, -1], reverse=True)

# 输出
[8, 7, 5, 2, 1, -1]

举例2：将 [(‘b’,2),(‘a’,1),(‘c’,3),(‘d’,4)] 比较每个元组的第一位数进行排序

list_number = [('b', 2), ('a', 1), ('c', 3), ('d', 4)]
sorted(list_number, key=lambda x: x[0])

# 输出
[('a', 1), ('b', 2), ('c', 3), ('d', 4)]

可以看到，sorted 函数支持的排序更加的广泛。

这里不要将 sort 和 sorted 搞混了，sort 函数用于对列表进行排序，而 sorted 函数支持对所有可迭代对象进行排序。

总结一下：

今天介绍了 Python 的一些高阶函数，而且是最常用的一些。

• lambda 函数：匿名函数，搭配下面几个函数有意想不到的效果

• map 函数：对迭代类型参数中的元素做映射操作

• reduce 函数：对迭代类型参数中的元素进行累积运算

• filter 函数：对迭代类型参数中的元素进行过滤

• sorted 函数：对所有可迭代的对象进行排序操作

写在后面的话

春节期间在家里就开始准备了高阶部分的内容，确实不好写。

在写的时候得想想之前自己都踩过的哪些坑，自己是怎么认识并使用这些高阶技巧的，所以到现在我也只写了一小丢丢内容。（熬夜多了脑袋记不住事啊）

就拿今天的几个高阶函数来说，我刚开始接触的时候不知道这些函数这么有用，甚至都不知道这些函数，并不重视，等到自己造完轮子之后才发现是在做无用功。

2019年公众号的文章进度是在爬虫这一部分，还有爬虫框架没有介绍，干货内容也不多了，后面应该会多一些实战的爬虫项目。

但是，我在爬虫刚开始的时候就说过，数据分析的重点不是爬虫，是在数据处理这一块，大家最好能分清重点，以后就不再多说了。

！