ラムダ関数は、任意の数のパラメータを受け入れることができる匿名関数 (つまり、名前が定義されていない) です。同じ関数でも、式を評価して返すだけという点が異なります。
Python のラムダ関数は、次の構文を使用して表現されます:
ラムダ パラメーター: 式
ラムダ関数は 3 つの要素で構成されます:
lambda x: x + 1
<function __main__.<lambda>(x)>
def increment_by_one(x): return x + 1
a = 2 print(lambda x: a + 1)
<function <lambda> at 0x00000250CB0A5820>
(lambda x: x + 1)(2)
3
(lambda x, y, z: x + y + z)(3, 8, 1)
12
print((lambda x: x if(x > 10) else 10)(5)) print((lambda x: x if(x > 10) else 10)(12))
10 12
(lambda x: x * 10 if x > 10 else (x * 5 if x < 5 else x))(11)
110
def check_conditions(x): if x > 10: return x * 10 elif x < 5: return x * 5 else: return x check_conditions(11)
110
increment = lambda x: x + 1 increment(2)
3
関数を実行すると、フィルター オブジェクトを取得します:
lst = [33, 3, 22, 2, 11, 1] filter(lambda x: x > 10, lst)
出力:
<filter at 0x250cb090520>
フィルター オブジェクトから新しいイテレータを取得するため、元のイテレータ内のすべての項目が事前定義された条件を満たしている場合、フィルター オブジェクトを Python 標準ライブラリの対応する関数 (list ()、tuple()、set ()、frozenset()、またはsorted()) に渡す必要があります (ソートされたリスト)
数値のリストをフィルターして 10 より大きい数値のみを選択し、昇順でソートされたリストを返しましょう:
lst = [33, 3, 22, 2, 11, 1] sorted(filter(lambda x: x > 10, lst))
出力:
[11, 22, 33]
元のオブジェクトと同じ型の新しい反復可能なオブジェクトを作成する必要はありません。さらに、この操作の結果を変数に保存できます。
lst = [33, 3, 22, 2, 11, 1] tpl = tuple(filter(lambda x: x > 10, lst)) tpl
Output:
(33, 22, 11)
我们使用 Python 中的 map() 函数对可迭代的每个项目执行特定操作。它的语法与 filter() 相同:一个要执行的函数和一个该函数适用的可迭代对象。
map() 函数返回一个 map 对象,我们可以通过将该对象传递给相应的 Python 函数来从中获取一个新的迭代:list()、tuple()、set()、frozenset() 或 sorted()
与 filter() 函数一样,我们可以从 map 对象中提取与原始类型不同类型的可迭代对象,并将其分配给变量。
下面是使用 map() 函数将列表中的每个项目乘以 10 并将映射值作为分配给变量 tpl 的元组输出的示例:
lst = [1, 2, 3, 4, 5] print(map(lambda x: x * 10, lst)) tpl = tuple(map(lambda x: x * 10, lst)) tpl
Output:
<map object at 0x00000250CB0D5F40> (10, 20, 30, 40, 50)
map() 和 filter() 函数之间的一个重要区别是第一个函数总是返回与原始函数相同长度的迭代。因此由于 pandas Series 对象也是可迭代的,我们可以在 DataFrame 列上应用 map() 函数来创建一个新列:
import pandas as pd df = pd.DataFrame({'col1': [1, 2, 3, 4, 5], 'col2': [0, 0, 0, 0, 0]}) print(df) df['col3'] = df['col1'].map(lambda x: x * 10) df
Output:
col1col2 0 1 0 1 2 0 2 3 0 3 4 0 4 5 0 col1col2col3 0 1 010 1 2 020 2 3 030 3 4 040 4 5 050
当然要在上述情况下获得相同的结果,也可以使用 apply() 函数:
df['col3'] = df['col1'].apply(lambda x: x * 10) df
Output:
col1col2col3 0 1 010 1 2 020 2 3 030 3 4 040 4 5 050
我们还可以根据某些条件为另一列创建一个新的 DataFrame 列,对于下面的代码,我们可以互换使用 map() 或 apply() 函数:
df['col4'] = df['col3'].map(lambda x: 30 if x < 30 else x) df
Output:
col1col2col3col4 0 1 01030 1 2 02030 2 3 03030 3 4 04040 4 5 05050
reduce() 函数与 functools Python 模块相关,它的工作方式如下:
该函数与前两个函数具有相同的两个参数:一个函数和一个可迭代对象。但是与前面的函数不同的是,这个函数不需要传递给任何其他函数,直接返回结果标量值:
from functools import reduce lst = [1, 2, 3, 4, 5] reduce(lambda x, y: x + y, lst)
Output:
15
上面的代码展示了我们使用 reduce() 函数计算列表总和时的作用
需要注意的是,reduce() 函数总是需要一个带有两个参数的 lambda 函数,而且我们必须首先从 functools Python 模块中导入它
优点
总而言之,我们已经详细讨论了在 Python 中定义和使用 lambda 函数的许多方面:
希望今天的讨论可以使 Python 中看似令人生畏的 lambda 函数概念更清晰、更易于应用,更希望小伙伴们能够喜欢,喜欢就点个赞吧!
以上がPythonでよく使われる最も不思議な関数! lambda関数について徹底まとめ!の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。