Rumah > Artikel > pembangunan bahagian belakang > Perbincangan ringkas tentang penggunaan fungsi Lambda dalam Python
Hari ini saya ingin mengesyorkan fungsi terbina dalam yang sangat berguna dalam Python, iaitu kaedah lambda secara kasarnya akan dikongsikan dengan anda:
lambda arguments : expressionTapis elemen dalam senaraiJadi bagaimana kita Bagaimana untuk menapis elemen dalam senarai? Di sini anda perlu menggabungkan fungsi lambda dan kaedah penapis() dan format sintaks kaedah penapis():
(lambda x:x**2)(5)
25fungsi -- fungsi penghakiman boleh diulang - - Objek boleh lelar, senarai atau kamus
filter(function, iterable)Antaranya kami mempunyai senarai sedemikian:
import numpy as np yourlist = list(np.arange(2,50,3))output:
lambda x:x**2<100Jika anda menghadapi kompleks Untuk proses pengiraan, editor masih mengesyorkan anda menyesuaikan fungsi sendiri, tetapi jika ia adalah proses pengiraan yang mudah, fungsi tanpa nama lambda pastinya merupakan pilihan terbaik. Gabungan fungsi dan map()
list(filter(lambda x:x**2<100, yourlist))
Sintaks fungsi map() adalah serupa dengan fungsi penapis() di atas, contohnya, fungsi tanpa nama berikut:
[2, 5, 8]
Kami menggunakannya dengan kaedah map():
output:lambda x: x**2+x**3Sudah tentu, seperti yang kami nyatakan sebelum ini, fungsi tanpa nama lambda boleh menerima berbilang nombor parameter, Kita boleh mencubanya di sini Sebagai contoh, terdapat dua set senarai,
list(map(lambda x: x**2+x**3, yourlist))Kami juga menggunakan kaedah map() untuk beroperasi seperti berikut:
[12, 150, 576, 1452, 2940, 5202, ......]output:
mylist = list(np.arange(4,52,3)) yourlist = list(np.arange(2,50,3))Penggunaan gabungan dengan kaedah apply()Kaedah apply() sering digunakan dalam jadual data Pandas dan fungsi tanpa nama lambda digunakan dalam kaedah apply() Kami mencipta jadual data baharu seperti berikut:
list(map(lambda x,y: x**2+y**2, yourlist,mylist))output:
[20, 74, 164, 290, 452, 650, 884, 1154, ......]Penggunaan kaedah apply() sedikit berbeza daripada dua sebelumnya , kaedah map() dan kaedah penapis () kita semua perlu meletakkan objek boleh lelar ke dalamnya, tetapi apply() di sini tidak memerlukan:
myseries = pd.Series(mylist) myseriesoutput:
04 17 2 10 3 13 4 16 5 19 6 22 7 25 8 28 ...... dtype: int32Dan jika anda menemui jadual DataFarme Semasa memproses data, operasi yang sama dilakukan pada
myseries.apply(lambda x: (x+5)/x**2)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: float64dan pemprosesan melalui kaedah apply() adalah lebih pantas daripada terus menggunakan kaedah str.upper() Ia lebih pantas! ! Senario yang tidak sesuai digunakan
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()
Jadi apakah senario yang tidak sesuai digunakan? Jadi pertama sekali, fungsi lambda, sebagai fungsi tanpa nama, tidak sesuai untuk menetapkannya kepada pembolehubah, seperti kes berikut:
0PABLO 1PABLO 2KRISTEN 3ABDUL 4 STELLA Name: Sales_Manager, dtype: object
Sebagai perbandingan, adalah lebih baik untuk menyesuaikan fungsi untuk pemprosesan:
output:squared_sum = lambda x,y: x**2 + y**2 squared_sum(3,4)Apabila kita menghadapi situasi berikut, kita boleh memudahkan kod sedikit:
def squared_sum(x,y): return x**2 + y**2 squared_sum(3,4)output:
25Kita boleh memudahkannya kepada:
import math mylist = [10, 25, 40, 49, 65, 81] sqrt_list = list(map(lambda x: math.sqrt(x), mylist)) sqrt_listoutput:
[3.16227766, 5.0, 6.324555320, 7.0, 8.062257748, 9.0]Jika ia adalah fungsi terbina dalam Python, terutamanya untuk aritmetik seperti matematik The modul tidak perlu diletakkan dalam fungsi lambda, ia boleh diekstrak terus dan digunakan
Atas ialah kandungan terperinci Perbincangan ringkas tentang penggunaan fungsi Lambda dalam Python. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!