Lambda 函数

Lambda函数是一种匿名函数，也就是说，它没有使用def关键字定义的函数名。Lambda函数通常用于简短的、一次性的任务，比如作为参数传递给高阶函数（例如filter()、map()等）。

lambda arguments: expression

这里，arguments是传递给lambda函数的参数列表，expression是一个关于这些参数的表达式，它返回的值就是这个lambda函数的返回值。

Lambda 函数可以接受任意数量的参数，但只能有一个表达式。这个表达式的计算结果就是函数的返回值。

例如，一个简单的lambda函数，它接受一个参数并返回它的平方：

square = lambda x: x * x

print(square(5))  # 输出 25

好，以上我们了解了Lambda函数的基本使用方法，接下来分享一些操作技巧，供大家学习参考。

1、与sorted()结合使用进行自定义排序

students = [{'name': 'John', 'age': 20}, {'name': 'Jane', 'age': 22}]

def sort_key(student):

    return student['age']

sorted_students = sorted(students, key=sort_key)

print(sorted_students)

在这个例子中，我们定义了一个名为sort_key的函数，它接受一个学生字典作为参数，并返回学生的年龄。然后我们将这个函数传递给sorted()函数的key参数，以便按照年龄对学生列表进行排序。

像这种简单的排序，我们可以使用lambda函数：

students = [{'name': 'John', 'age': 20}, {'name': 'Jane', 'age': 22}]

sorted_students = sorted(students, key=lambda x: x['age'])

2、与filter()结合使用进行元素筛选

numbers = range(10)

def is_even(number):

    return number % 2 == 0

even_numbers = list(filter(is_even, numbers))

print(even_numbers)

在这个例子中，我们定义了一个名为 is_even 的函数，它接受一个数字作为参数，并返回一个布尔值，指示该数字是否为偶数。然后我们将这个函数传递给 filter() 函数，以便筛选出范围内的所有偶数。

使用lambda函数：

numbers = range(10)

even_numbers = list(filter(lambda x: x % 2 == 0, numbers))

3、在高阶函数中作为参数传递

from functools import reduce

numbers = [1, 2, 3, 4, 5]

sum_of_squares = reduce(lambda x, y: x + y * y, numbers, 0)

考虑到这部分内容，可能部分粉丝没有涉猎过相关内容，所以这里解释一下：

（1）functools是Python的标准库中的一个模块，它提供了用于高阶函数（即那些作用于或返回其他函数的函数）的实用工具。reduce函数是其中之一。

（2）sum_of_squares = reduce(lambda x, y: x + y * y, numbers, 0)：这行代码使用reduce函数来计算列表numbers中每个元素的平方和。

lambda x, y: x + y * y：它接受两个参数x和y。这个lambda函数的目的是将当前累积的和x与下一个元素的平方y * y相加，然后返回新的累积和。

numbers：这是reduce函数作用的列表。

0：这是reduce函数的初始值。在第一次调用lambda函数时，x将被设置为此初始值，而y将是列表中的第一个元素。

（3）reduce函数的工作方式是遍历列表numbers中的所有元素，每次迭代都应用lambda函数。在第一次迭代中，x是初始值0，y是列表中的第一个元素1。lambda函数计算0 + 1 * 1，结果是1。在第二次迭代中，x是上一次迭代的结果1，y是列表中的第二个元素2。lambda函数计算1 + 2 * 2，结果是5，依此类推。最终，reduce函数返回所有元素平方的和。

因此，sum_of_squares将是1^2 + 2^2 + 3^2 + 4^2 + 5^2的结果，即55。

4、在数据处理或机器学习中的应用

df['new_column'] = df.apply(lambda row: row['col1'] + row['col2'], axis=1)

这行代码的作用是在 DataFrame df 中创建一个新的列 new_column，这个新列的每个元素是同一行的 col1 和 col2 列的和。这个操作是对 DataFrame 中的每一行独立进行的，因此 new_column 中的每个值都是对应行的 col1 和 col2 的和。

就我们举的例子而言，其实这里完全可以更简单化：

df['new_column'] = df['col1'] + df['col2']

没错，就这个例子而言，使用下面的代码运行速度会更快。

在大多数情况下，应该优先使用向量化的操作，因为它们更快。只有当需要执行复杂的操作，且这些操作不能简单地用向量化的方式完成时，才应该考虑使用apply()方法。

尽管lambda函数在这些高级用法中很有用，但需要注意的是，对于复杂的逻辑，使用普通的函数定义可能更为清晰和可维护。Lambda函数最适合用于简短且目的明确的代码片段。