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：
- 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
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，所谓地匿名函数，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- 1.
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)- 1.
output：
25- 1.
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)- 1.
- 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))- 1.
- 2.
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- 1.
最后出来的结果如下所示：
list(filter(lambda x:x**2<100, yourlist))- 1.
output：
[2, 5, 8]- 1.
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。
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- 1.
我们将其和map()方法联用起来：
list(map(lambda x: x**2+x**3, yourlist))- 1.
output：
[12,
150,
576,
1452,
2940,
5202,
]- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
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))- 1.
- 2.
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))- 1.
- 2.
output：
[20,
74,
164,
290,
452,
650,
884,
1154,
]- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
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- 1.
- 2.
output：
0 4
1 7
2 10
3 13
4 16
5 19
6 22
7 25
8 28
dtype: int32- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
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)- 1.
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- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
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()- 1.
- 2.
- 3.
output：
0 PABLO
1 PABLO
2 KRISTEN
3 ABDUL
4 STELLA
Name: Sales_Manager, dtype: object- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
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！！
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)- 1.
- 2.
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**2
squared_sum(3,4)- 1.
- 2.
- 3.
- 4.
output：
25- 1.
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- 1.
- 2.
- 3.
- 4.
output：
[3.16227766, 5.0, 6.324555320, 7.0, 8.062257748, 9.0]- 1.
我们可以将其简化成：
import math
mylist = [10, 25, 40, 49, 65, 81]
sqrt_list = list(map(math.sqrt, mylist))
sqrt_list- 1.
- 2.
- 3.
- 4.
output：
[3.162277, 5.0, 6.324555, 7.0, 8.062257, 9.0]- 1.
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