lambda 、 map 、filter 、reduce 及 reversed 常用函数

lambda 匿名函数

• 什么是lambda？

lambda 操作符（或 lambda 函数）通常用来创建小巧的，一次性的匿名函数对象。它的基本语法如下：

lambda arguments : expression

lambda 操作符可以有任意数量的参数，但是它只能有一个表达式，且不能包含任何语句，返回一个可以赋值给任何变量的函数对象。

• lambda 匿名函数示例：

In [73]: add = lambda x, y : x + y

In [74]: add
Out[74]: <function __main__.<lambda>(x, y)>

In [75]: print(add(1, 2))
3

• lambda 匿名函数理解：

在lambda x, y : x + y中，x和y是函数的参数，x+y是表达式，它被执行并返回结果。

lambda x, y : x + y返回的是一个函数对象，它可以被赋值给任何变量。在本例中函数对象被赋值给了 add 变量。如果我们查看 add 的 type，可以看到它是一个 Function。

type(add)

Output: function

绝大多数 lambda 函数作为一个参数传给一个需要函数对象为参数的函数，比如 map，reduce，filter 等函数。

map

• map的基本语法如下：
  
  map(function_object, iterable1, iterable2, ...)
  
  map函数需要一个函数对象和任意数量的 iterables，如 list、dictionary 等。它为序列中的每个元素执行 function_object，并返回由函数对象修改的元素组成的列表。

• map 示例如下：

In [64]: def add(x):
    ...:     return x+2
    ...:
    ...:

In [65]: list(map(add, [1,2,3,4]))
Out[65]: [3, 4, 5, 6]

在上面的例子中，map 对 list 中的每个元素1,2,3,4执行 add 函数并返回[3,4,5,6]。接着看看，如何用 map 和 lambda 重写上面的代码：

In [67]: list(map(lambda x: x+2, [1,2,3,4]))
Out[67]: [3, 4, 5, 6]

• 使用 map 和 lambda 迭代 dictionary：

In [70]: dict_a = [
    ...:  {'name': 'python', 'points': 10},
    ...:  {'name': 'java', 'points': 8}
    ...: ]

In [71]: list(map(lambda x : x['name'], dict_a))
Out[71]: ['python', 'java']

以上代码中，dict_a 中的每个dict作为参数传递给 lambda 函数。 lambda 函数表达式作用于每个 dict 的结果作为输出。

• map 函数作用于多个 iterables：

In [53]: list_a = [1, 2, 3]

In [54]: list_b = [10, 20, 30]

In [55]: list(map(lambda x, y: x + y, list_a, list_b))
Out[55]: [11, 22, 33]

这里，list_a 和 list_b 的第 i 个元素作为参数传递给 lambda 函数。

在 Python3 中，map 函数返回一个惰性计算（lazily evaluated）的迭代器（Iterator）或 map 对象。就像 zip 函数是惰性计算那样。

我们不能通过 index 访问 map 对象的元素，也不能使用 Len() 得到它的长度。

但我们可以强制转换 map 对象为 list：

In [47]: map_output = map(lambda x: x*2, [1, 2, 3, 4])

In [48]: map_output
Out[48]: <map at 0x1024e4a90>

In [49]: list(map_output)
Out[49]: [2, 4, 6, 8]

filter

• filter 的基本语法如下：

filter(function_object, iterable)

filter 函数需要两个参数，function_object 返回一个布尔值（boolean），对 iterable 的每一个元素调用 function_object，filter 只返回满足 function_object 为 True 的元素。

和 map 函数一样，filter 函数也返回一个 list，但与 map 函数不同的是，filter 函数只能有一个 iterable 作为输入。

• 过滤出奇数

In [45]: def is_even(x):
    ...:     return x & 1 != 0
    ...:
    ...:
    ...:

In [46]: list(filter(is_even, [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]))
Out[46]: [1, 3, 5, 7, 9]

• 过滤 dicts 的 list：

In [43]: dict_a = [
    ...:  {'name': 'python', 'points': 10},
    ...:  {'name': 'java', 'points': 8}
    ...: ]

In [44]: list(filter(lambda x : x['name'] == 'python', dict_a))
Out[44]: [{'name': 'python', 'points': 10}]

和 map 一样，filter 函数在 Python3 中返回一个惰性计算的 filter 对象或迭代器。我们不能通过 index 访问 filter 对象的元素，也不能使用 Len() 得到它的长度。

In [37]: list_a = [1, 2, 3, 4, 5]

In [38]: filter_obj = filter(lambda x: x % 2 == 0, list_a)

In [39]: even_num = list(filter_obj)

In [40]: even_num
Out[40]: [2, 4]

reduce 函数

• 什么是 reduce 函数？

reduce 函数会对参数序列中元素进行累积。

reduce 函数语法：

reduce(function, sequence[, initial]) -> value

function 参数是一个有两个参数的函数，reduce 依次从 sequence 中取一个元素，和上一次调用 function 的结果做参数再次调用 function。

第一次调用 function 时，如果提供 initial 参数，会以 sequence 中的第一个元素和 initial 作为参数调用 function，否则会以序列 sequence 中的前两个元素做参数调用 function。

• reduce 示例：

In [34]: from functools import reduce
    ...: reduce(lambda x, y: x + y, [2, 3, 4, 5, 6], 1)
    ...:
Out[34]: 21
In [35]: reduce(lambda x, y: x + y, [2, 3, 4, 5, 6])
Out[35]: 20

注意 function 函数不能为 None。

reversed

• 什么是 reversed
  
  reversed()函数是返回序列seq的反向访问的迭代子。参数可以是列表，元组，字符串，不改变原对象。
  
  reversed()之后，只在第一次遍历时返回值。
• reversed 示例：

In [1]: a_list = [1, 2,  3, 4, 5]

In [2]: new_list = reversed(a_list)

In [3]: a_list
Out[3]: [1, 2, 3, 4, 5]

In [4]: new_list
Out[4]: <list_reverseiterator at 0x10d714f28>

In [5]: for i in new_list:
   ...:     print(i)
   ...:
5
4
3
2
1

In [6]: for i in new_list:
   ...:     print(i)
   ...:

In [7]:

参考资料：

https://www.toutiao.com/a6612880904165523982/?tt_from=weixin&utm_campaign=client_share&wxshare_count=1&timestamp=1539761465&app=news_article&utm_source=weixin&iid=46504004486&utm_medium=toutiao_android&group_id=6612880904165523982

https://blog.csdn.net/sxingming/article/details/51353379