lambda

lambda是匿名函数，也就是没有名字的函数。lambda的语法非常简单：

下面是一个lambda表达式的简单例子：

注意：我们可以把lambda表达式赋值给一个变量，然后通过这个变量来使用它。

>>> my_sum = lambda x, y: x+y
>>> my_sum(1, 2)
3

下图是定义lambda表达式和定义一个普通函数的对比：

注意：

使用lambda表达式并不能提高代码的运行效率，它只能让你的代码看起来简洁一些。

map

map()接收两个参数func（函数）和seq（序列，例如list）。如下图：

map()将函数func应用于序列seq中的所有元素。在Python3之前，map()返回一个列表，列表中的每个元素都是将列表或元组“seq”中的相应元素传入函数func返回的结果。Python 3中map()返回一个迭代器。

因为map()需要一个函数作为参数，所以可以搭配lambda表达式很方便的实现各种需求：

• 例子1–将一个列表里面的每个数字都加100：

>>> l = [11, 22, 33, 44, 55]
>>> list(map(lambda x:x+100, l))
[111, 122, 133, 144, 155]

• 例子2–

使用map就相当于使用了一个for循环，我们完全可以自己定义一个my_map函数：

def my_map(func, seq):
    result = []
    for i in seq:
        result.append(func(i))
    return result

测试一下我们自己的my_map函数：

>>> def my_map(func, seq):
...     result = []
...     for i in seq:
...         result.append(func(i))
...     return result
... 
>>> l = [11, 22, 33, 44, 55]
>>> list(my_map(lambda x:x+100, l))
[111, 122, 133, 144, 155]

我们自定义的my_map函数的效果和内置的map函数一样。

当然在Python3中，map函数返回的是一个迭代器，所以我们也需要让我们的my_map函数返回一个迭代器：

def my_map(func, seq):
    for i in seq:
        yield func(i)

测试一下：

>>> def my_map(func, seq):
...     for i in seq:
...         yield func(i)
... 
>>> l = [11, 22, 33, 44, 55]
>>> list(my_map(lambda x:x+100, l))
[111, 122, 133, 144, 155]

与我们自己定义的my_map函数相比，由于map是内置的因此它始终可用，并且始终以相同的方式工作。它也具有一些性能优势，通常会比手动编写的for循环更快。当然内置的map还有一些高级用法：

例如，可以给map函数传入多个序列参数，它将并行的序列作为不同参数传入函数：

拿pow(arg1, arg2)函数举例，

>>> pow(2, 10)
1024
>>> pow(3, 11)
177147
>>> pow(4, 12)
16777216
>>> list(map(pow, [2, 3, 4], [10, 11, 12]))
[1024, 177147, 16777216]

pow(arg1, arg2)函数接收两个参数arg1和arg2，map(pow, [2, 3, 4], [10, 11, 12])就会并行从[2, 3, 4]和[10, 11, 12]中取出元素，传入到pow中。

还有一个例子：

>>> from operator import add
>>> x = [1, 2, 3]
>>> y = [4, 5, 6]
>>> list(map(add, x, y))
[5, 7, 9]

调用map函数类似于列表推导式，但是列表推导式是对每个元素做表达式运算，而map对每个元素都会应用一次函数调用。也只有在map中使用内置函数时，才可能比列表推导式速度更快。

filter

filter函数和map函数一样也是接收两个参数func（函数）和seq(序列，如list)，如下图：

filter函数类似实现了一个过滤功能，它过滤序列中的所有元素，返回那些传入func后返回True的元素。也就是说filter函数的第一个参数func必须返回一个布尔值，即True或者False。

下面这个例子，是使用filter从一个列表中过滤出大于33的数：

>>> l = [30, 11, 77, 8, 25, 65, 4]
>>> list(filter(lambda x: x>33, l))
[77, 65]

利用filter()还可以用来判断两个列表的交集：

>>> x = [1, 2, 3, 5, 6]
>>> y = [2, 3, 4, 6, 7]
>>> list(filter(lambda a: a in y, x))
[2, 3, 6]

reduce

注意：Python3中reduce移到了functools模块中，你可以用过from functools import reduce来使用它。

reduce同样是接收两个参数：func（函数）和seq(序列，如list)，如下图：

reduce最后返回的不是一个迭代器，它返回一个值。

reduce首先将序列中的前两个元素，传入func中，再将得到的结果和第三个元素一起传入func，…，这样一直计算到最后，得到一个值，把它作为reduce的结果返回。

原理类似于下图：

看一下运行结果：

>>> from functools import reduce
>>> reduce(lambda x,y:x+y, [1, 2, 3, 4])
10

再来练习一下，使用reduce求1～100的和：

>>> from functools import reduce
>>> reduce(lambda x,y:x+y, range(1, 101))
5050

三元运算

三元运算（三目运算）在Python中也叫条件表达式。三元运算的语法非常简单，主要是基于True/False的判断。如下图：

使用它就可以用简单的一行快速判断，而不再需要使用复杂的多行if语句。 大多数时候情况下使用三元运算能够让你的代码更清晰。

三元运算配合lambda表达式和reduce，求列表里面值最大的元素：

>>> from functools import reduce
>>> l = [30, 11, 77, 8, 25, 65, 4]
>>> reduce(lambda x,y: x if x > y else y, l)
77

再来一个，三元运算配合lambda表达式和map的例子：

将一个列表里面的奇数加100：

>>> l = [30, 11, 77, 8, 25, 65, 4]
>>> list(map(lambda x: x+100 if x%2 else x, l))
[30, 111, 177, 8, 125, 165, 4]

zip

zip函数接收一个或多个可迭代对象作为参数，最后返回一个迭代器：

>>> x = ["a", "b", "c"]
>>> y = [1, 2, 3]
>>> a = list(zip(x, y))  # 合包
>>> a
[(‘a‘, 1), (‘b‘, 2), (‘c‘, 3)]
>>> b =list(zip(*a))  # 解包
>>> b
[(‘a‘, ‘b‘, ‘c‘), (1, 2, 3)]

zip(x, y) 会生成一个可返回元组 (m, n) 的迭代器，其中m来自x，n来自y。 一旦其中某个序列迭代结束，迭代就宣告结束。 因此迭代长度跟参数中最短的那个序列长度一致。

>>> x = [1, 3, 5, 7, 9]
>>> y = [2, 4, 6, 8]
>>> for m, n in zip(x, y):
...   print(m, n)
... 
1 2
3 4
5 6
7 8

如果上面不是你想要的效果，那么你还可以使用 itertools.zip_longest() 函数来代替这个例子中的zip。

>>> from itertools import zip_longest
>>> x = [1, 3, 5, 7, 9]
>>> y = [2, 4, 6, 8]
>>> for m, n in zip_longest(x, y):
...   print(m, n)
... 
1 2
3 4
5 6
7 8
9 None

zip其他常见应用：

>>> keys = ["name", "age", "salary"]
>>> values = ["Andy", 18, 50]
>>> d = dict(zip(keys, values))
>>> d
{‘name‘: ‘Andy‘, ‘age‘: 18, ‘salary‘: 50}

Python中的lambda、map、filter、reduce、zip