常用内置函数:map、filter、reduce 的用法

落芳吖_5753

落芳吖_5753

2025-09-03

988人浏览

原创

map、filter和reduce是Python中处理可迭代对象的核心函数式编程工具。map用于对每个元素应用函数进行转换,filter根据条件筛选元素,reduce则将元素累积计算为单一结果。它们返回迭代器,支持惰性求值,适合构建高效的数据处理管道。相较于列表推导式,它们在逻辑复杂或需函数复用时更简洁;相比循环,代码更声明式、意图明确。常用于数据清洗、转换和聚合场景,尤其reduce在自定义累积操作中具有不可替代的优势。

常用内置函数:map、filter、reduce 的用法

map

、

filter

和

reduce

这三个内置函数,在我看来,是Python中处理序列数据非常强大且优雅的工具。它们的核心作用分别是:对序列中的每个元素应用一个函数进行转换(

map

),根据某个条件筛选序列中的元素(

filter

),以及将序列中的元素逐个累积计算,最终得到一个单一结果(

reduce

)。它们代表了一种函数式编程的思路,能让代码更简洁、意图更清晰。

解决方案

这三个函数各有侧重,但都围绕着“处理可迭代对象”这个核心任务展开。

1.

map(function, iterable, ...)

map

函数会根据提供的函数对指定序列(或多个序列)的每个元素进行处理,并返回一个迭代器,其中包含所有处理后的结果。它不会改变原始序列。

  • 用途: 当你需要对一个序列中的所有元素执行相同的转换操作时,

    map
    非常合适。
  • 示例:

    # 场景:将一个整数列表中的每个数字都平方
    numbers = [1, 2, 3, 4, 5]
    
    # 使用匿名函数(lambda)
    squared_numbers_map = map(lambda x: x * x, numbers)
    print(f"使用map平方后的结果(迭代器):{list(squared_numbers_map)}")
    # 输出:使用map平方后的结果(迭代器):[1, 4, 9, 16, 25]
    
    # 也可以使用已定义的函数
    def multiply_by_two(num):
        return num * 2
    
    doubled_numbers = map(multiply_by_two, numbers)
    print(f"使用map乘以2后的结果:{list(doubled_numbers)}")
    # 输出:使用map乘以2后的结果:[2, 4, 6, 8, 10]

    我个人觉得,当转换逻辑比较简单,或者已经有一个现成的函数可以直接用时,

    map
    写起来特别顺手。

2.

filter(function, iterable)

filter

函数会根据一个判断函数(返回布尔值)来筛选序列中的元素,只保留那些使判断函数返回

True

的元素,同样返回一个迭代器。

  • 用途: 当你需要从一个序列中筛选出符合特定条件的元素时,

    filter
    是理想选择。
  • 示例:

    # 场景:从一个列表中筛选出所有的偶数
    numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
    
    # 使用匿名函数判断是否为偶数
    even_numbers_filter = filter(lambda x: x % 2 == 0, numbers)
    print(f"使用filter筛选出的偶数:{list(even_numbers_filter)}")
    # 输出:使用filter筛选出的偶数:[2, 4, 6, 8, 10]
    
    # 也可以用None作为function,此时会移除所有“假值”(False, 0, None, "", []等)
    mixed_list = [0, 1, '', 'hello', [], [1, 2], None]
    truthy_values = filter(None, mixed_list)
    print(f"使用filter(None)筛选出的真值:{list(truthy_values)}")
    # 输出:使用filter(None)筛选出的真值:[1, 'hello', [1, 2]]

    我发现

    filter(None, ...)
    这个小技巧在清理数据时特别实用,能快速剔除那些被Python认为是“假”的元素。

3.

reduce(function, iterable[, initializer])

reduce

函数(位于

functools

模块中)会将一个函数连续地应用于序列的元素,每次应用的结果都会作为下一次应用的一个参数。它最终会把一个序列“规约”成一个单一的值。

  • 用途: 当你需要对序列中的元素进行累积计算,比如求和、求积、找出最大值等,

    reduce
    非常强大。
  • 示例:

    from functools import reduce
    
    # 场景:计算一个列表所有元素的和
    numbers = [1, 2, 3, 4, 5]
    
    # 使用匿名函数实现累加
    sum_of_numbers = reduce(lambda x, y: x + y, numbers)
    print(f"使用reduce计算列表和:{sum_of_numbers}")
    # 输出:使用reduce计算列表和:15
    
    # 场景:找出列表中最大的数字
    max_number = reduce(lambda x, y: x if x > y else y, numbers)
    print(f"使用reduce找出列表中最大值:{max_number}")
    # 输出:使用reduce找出列表中最大值:5
    
    # 带初始值(initializer)的reduce,在空序列时尤其有用,或者想从某个特定值开始累积
    product_with_initial = reduce(lambda x, y: x * y, [1, 2, 3], 10) # 从10开始乘以1*2*3
    print(f"带初始值reduce计算乘积:{product_with_initial}")
    # 输出:带初始值reduce计算乘积:60

    reduce
    的逻辑理解起来可能比
    map
    和
    filter
    稍微需要一点点时间,但一旦掌握,它在处理某些累积性问题上简直是神器。记住,它需要从
    functools
    模块导入,这和另外两个内置函数有点不同。

map、filter、reduce与列表推导式、循环有何不同?何时选择它们?

这确实是一个非常核心的问题,我在日常开发中也常常思考。在我看来,

map

、

filter

和

reduce

与列表推导式(List Comprehensions)、生成器表达式(Generator Expressions)以及传统的

for

循环,它们之间更多的是一种互补关系,而非简单的替代。

  • 可读性与简洁性:

    • 对于简单的元素转换(
      map
      )或筛选(
      filter
      ),列表推导式往往更具Pythonic风格,也更容易阅读。比如,
      [x * x for x in numbers]
      通常比
      list(map(lambda x: x * x, numbers))
      更直观。
    • 但当转换或筛选逻辑本身就是一个已定义的函数时,
      map
      和
      filter
      能让代码更简洁,直接传递函数名即可,避免了在列表推导式中重复写
      lambda
      。
    • reduce
      在处理累积操作时,其简洁性是无与伦比的,虽然初学者可能需要适应它的思维模式。传统的
      for
      循环实现累积操作往往需要额外的变量和多行代码。
  • 性能考量:

    • map
      和
      filter
      返回的是迭代器,这意味着它们是“惰性”计算的,只在需要时才生成下一个元素。这在处理大型数据集时非常高效,可以节省内存。列表推导式则会一次性生成所有结果,占用更多内存。
    • 在C语言层面实现的
      map
      和
      filter
      ,在某些情况下可能会比等效的Python循环或列表推导式略快,但这通常不是我们选择它们的首要原因,除非是在性能瓶颈处。
    • reduce
      的性能通常也很好,因为它避免了显式的循环和中间列表的创建。
  • 函数式编程风格:

    FilePond 灵活的 JavaScript 文件上传库
    FilePond 灵活的 JavaScript 文件上传库

    FilePond 是一个 JavaScript 文件上传库,支持通过拖拽、粘贴和 API 方式处理文件、目录、URL 和 Data URI。它包含内置的图像优化功能、异步分块上传功能,并提供了适用于 React、Vue、Angular 和 Svelte 的适配器。

    下载
    • map
      、
      filter
      、
      reduce
      是函数式编程的基石。它们鼓励我们思考“做什么”而不是“如何做”,将数据转换和处理视为一系列函数的组合。这种风格有助于编写无副作用、更易于测试和理解的代码。
    • 列表推导式虽然也很简洁,但它更像是Python对函数式概念的一种“语法糖”实现,本质上还是基于迭代。

何时选择?

  • 选择列表推导式/生成器表达式:

    • 当转换或筛选逻辑非常简单,一行代码就能清晰表达时。
    • 当你需要立即得到一个完整的列表或生成器时。
    • 在我看来,大多数简单的转换和筛选,列表推导式是首选,因为它更符合Python的直觉。
  • 选择

    map
    /
    filter
    :

    • 当转换或筛选逻辑已经封装在一个独立的函数中,或者是一个比较复杂的
      lambda
      表达式,直接传递函数名能让代码更清晰。
    • 当你需要处理非常大的数据集,希望利用迭代器的惰性计算来节省内存时。
    • 当你倾向于函数式编程风格,希望将数据处理看作一系列函数管道时。
  • 选择

    reduce
    :

    • 当你需要将一个序列中的所有元素“归纳”成一个单一的结果时(求和、求积、连接字符串、查找最大最小等)。
    • 这是它最独特的应用场景,通常没有其他内置函数能直接替代其功能,
      for
      循环是唯一的替代方案,但代码会显得冗长。

我发现,一个好的实践是:如果列表推导式能清晰地表达意图,就用它;如果涉及函数应用或需要惰性计算,就考虑

map

/

filter

;而对于累积操作,

reduce

几乎总是我的首选。

如何结合使用map、filter实现复杂数据处理?

将

map

和

filter

结合使用,是构建数据处理管道的常见模式,尤其是在处理数据清洗、转换和分析任务时。由于它们都返回迭代器,所以可以非常自然地进行链式调用,前一个函数的输出可以直接作为后一个函数的输入,这在我看来,是它们设计上的一个亮点。

想象一个场景:我们有一个包含用户年龄和姓名的列表,我们想找出所有年龄大于30岁的用户,并把他们的姓名转换成大写。

users_data = [
    {"name": "Alice", "age": 25},
    {"name": "Bob", "age": 32},
    {"name": "Charlie", "age": 40},
    {"name": "David", "age": 28},
    {"name": "Eve", "age": 35},
]

# 步骤1:筛选出年龄大于30岁的用户
# filter的function需要接收一个字典,并返回布尔值
older_users_iterator = filter(lambda user: user["age"] > 30, users_data)

# 步骤2:从筛选出的用户中提取姓名,并转换为大写
# map的function需要接收一个字典(来自filter的输出),并返回处理后的姓名
uppercase_names_iterator = map(lambda user: user["name"].upper(), older_users_iterator)

# 最终结果
result_names = list(uppercase_names_iterator)
print(f"年龄大于30岁的用户姓名(大写):{result_names}")
# 输出:年龄大于30岁的用户姓名(大写):['BOB', 'CHARLIE', 'EVE']

这个例子展示了如何通过链式调用将筛选和转换操作结合起来。

filter

先筛选出符合条件的数据,然后

map

再对这些筛选后的数据进行进一步的转换。这种方式非常清晰,每一步都只做一件事,符合单一职责原则。

更进一步,你甚至可以在这些函数中嵌套使用其他函数,或者将更复杂的逻辑封装成独立的函数再传入。

# 稍微复杂一点的场景:
# 找出所有包含特定关键词的字符串,然后将它们的首字母大写
words = ["apple", "banana", "grape", "orange", "pineapple", "pear"]
keyword = "ap"

# 1. 筛选出包含关键词的单词
filtered_words = filter(lambda w: keyword in w, words)

# 2. 将筛选出的单词首字母大写
capitalized_words = map(lambda w: w.capitalize(), filtered_words)

print(f"包含 '{keyword}' 且首字母大写的单词:{list(capitalized_words)}")
# 输出:包含 'ap' 且首字母大写的单词:['Apple', 'Grape', 'Pineapple']

这种管道式的处理方式,不仅代码简洁,而且由于

filter

和

map

都返回迭代器,整个过程是惰性计算的。这意味着在处理大量数据时,它不会一次性在内存中创建所有的中间列表,从而有效地节省了内存资源。我个人觉得,当数据量大、处理步骤多时,这种链式调用带来的内存效率提升是非常显著的。

reduce在哪些场景下能发挥独特优势?

reduce

的独特优势主要体现在“聚合”和“累积”操作上,也就是将一个序列最终归结为一个单一的值。虽然许多简单的累积操作Python有内置函数(如

sum()

、

max()

、

min()

),但

reduce

的灵活性在于它允许你定义任何你想要的累积逻辑。

这里有一些

reduce

能发挥独特优势的场景:

  1. 自定义累加/累乘: 当需要进行的累积操作不是简单的加法或乘法时,

    reduce
    的优势就体现出来了。
    from functools import reduce
    
    # 场景:计算列表中所有偶数的乘积
    numbers = [1, 2, 3, 4, 5, 6]
    # 先筛选出偶数,再计算乘积
    even_numbers = filter(lambda x: x % 2 == 0, numbers)
    product_of_evens = reduce(lambda x, y: x * y, even_numbers)
    print(f"所有偶数的乘积:{product_of_evens}")
    # 输出:所有偶数的乘积:48 (2 * 4 * 6)

    这里就结合了

    filter
    和
    reduce
    ,先筛选再聚合。
  2. 扁平化嵌套列表: 当有一个包含子列表的列表,需要将其扁平化成一个单一的列表时,

    reduce
    可以非常优雅地完成。
    from functools import reduce
    
    nested_list = [[1, 2], [3, 4], [5, 6]]
    flattened_list = reduce(lambda acc, sublist: acc + sublist, nested_list, [])
    print(f"扁平化后的列表:{flattened_list}")
    # 输出:扁平化后的列表:[1, 2, 3, 4, 5, 6]

    这里的

    acc
    (accumulator)是累积器,它会不断地将子列表添加到自身。初始值
    []
    在这里非常关键,它定义了累积的起点。
  3. 字符串拼接: 虽然

    "".join(list_of_strings)
    是Python中拼接字符串的首选,但在某些需要更复杂逻辑拼接的场景下,
    reduce
    也能派上用场。
    from functools import reduce
    
    words = ["Hello", "world", "Python", "is", "great"]
    # 拼接成一个句子,并在每个单词后加一个空格(除了最后一个)
    sentence = reduce(lambda acc, word: acc + word + " ", words[:-1], "") + words[-1]
    print(f"拼接后的句子:{sentence}")
    # 输出:拼接后的句子:Hello world Python is great

    当然,这个例子有点刻意,

    join
    通常更优,但它展示了
    reduce
    处理字符串的能力。
  4. 构建复杂数据结构:

    reduce
    可以用来将一个序列的数据“折叠”成一个更复杂的单一数据结构,比如字典。
    from functools import reduce
    
    data = [("a", 1), ("b", 2), ("c", 3)]
    # 将列表中的元组转换为字典
    result_dict = reduce(lambda acc, item: {**acc, item[0]: item[1]}, data, {})
    print(f"reduce构建的字典:{result_dict}")
    # 输出:reduce构建的字典:{'a': 1, 'b': 2, 'c': 3}

    这里,

    acc
    从一个空字典开始,每次迭代都会将新的键值对解包并添加到累积器中。

在我看来,

reduce

最核心的价值在于它提供了一种通用的“折叠”机制。任何当你需要从一个序列中提取出一个最终的、单一的结果时,并且这个结果的计算过程是基于前一个结果和当前元素的组合时,

reduce

都值得被考虑。它迫使你以一种更函数式、更抽象的方式来思考问题,这对于提升代码的表达力是很有帮助的。

相关文章

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
js 字符串转数组
js 字符串转数组

js字符串转数组的方法:1、使用“split()”方法;2、使用“Array.from()”方法;3、使用for循环遍历;4、使用“Array.split()”方法。本专题为大家提供js字符串转数组的相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.03

1978

5

js截取字符串的方法
js截取字符串的方法

js截取字符串的方法有substring()方法、substr()方法、slice()方法、split()方法和slice()方法。本专题为大家提供字符串相关的文章、下载、课程内容,供大家免费下载体验。

2023.09.04

3284

5

java基础知识汇总
java基础知识汇总

java基础知识有Java的历史和特点、Java的开发环境、Java的基本数据类型、变量和常量、运算符和表达式、控制语句、数组和字符串等等知识点。想要知道更多关于java基础知识的朋友,请阅读本专题下面的的有关文章,欢迎大家来php中文网学习。

2023.10.24

6464

49

字符串介绍
字符串介绍

字符串是一种数据类型,它可以是任何文本,包括字母、数字、符号等。字符串可以由不同的字符组成,例如空格、标点符号、数字等。在编程中,字符串通常用引号括起来,如单引号、双引号或反引号。想了解更多字符串的相关内容,可以阅读本专题下面的文章。

2023.11.24

6729

6

java读取文件转成字符串的方法
java读取文件转成字符串的方法

Java8引入了新的文件I/O API,使用java.nio.file.Files类读取文件内容更加方便。对于较旧版本的Java,可以使用java.io.FileReader和java.io.BufferedReader来读取文件。在这些方法中,你需要将文件路径替换为你的实际文件路径,并且可能需要处理可能的IOException异常。想了解更多java的相关内容,可以阅读本专题下面的文章。

2024.03.22

8234

16

php中定义字符串的方式
php中定义字符串的方式

php中定义字符串的方式:单引号;双引号;heredoc语法等等。想了解更多字符串的相关内容,可以阅读本专题下面的文章。

2024.04.29

12934

11

go语言字符串相关教程
go语言字符串相关教程

本专题整合了go语言字符串相关教程,阅读专题下面的文章了解更多详细内容。

2025.07.29

6739

17

c++字符串相关教程
c++字符串相关教程

本专题整合了c++字符串相关教程,阅读专题下面的文章了解更多详细内容。

2025.08.07

7607

13

常用字符串方法大全
常用字符串方法大全

常用字符串方法大全

2025.08.08

3708

14

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程
墨刀帮助中心
墨刀帮助中心

共0课时 | 0人学习

MyEclipse学习中心
MyEclipse学习中心

共0课时 | 0人学习

Apache Subversion 官方手册
Apache Subversion 官方手册

共0课时 | 0人学习