Pythonlambda匿名函数深入讲解

lambda [arg1 [,arg2,.....argn]]:expression
"""
lambda ： Python 预留的关键字，类似普通函数中 def 
[arg…] ： 是参数列表，它的结构与 Python 中函数(function)的参数列表是一样的，
          需要注意的是，普通函数不同，这里不需要用括号将 lambda 函数的参数括起来，
          如果 lambda 函数有两个或更多参数，用逗号列出它们。
expression ：一个参数表达式，表达式中出现的参数需要在[arg......]中有定义，并且表达式只能是单行的，只能有一个表达式。
"""

lambda x: x + 1
#上面的 lambda 函数接受一个参数，将其递增 1，然后返回结果
#它是以下带有 def 和 return 关键字的普通函数的更简单版本：
def increment_by_one(x):
    return x + 1

lambda x, y, z: x + y + z
# 用逗号分隔函数定义中的参数。当执行这样一个 lambda 函数时，以相同的顺序列出相应的参数，并用逗号分隔它们
print((lambda x, y, z: x + y + z)(1, 2, 3))

print((lambda x: x if(x > 10) else 10)(5))   # 10
#### 它是以下带有 def 和 return 关键字的普通函数的更简单版本：
def fun(x):
    if x > 10:
        return x
    else:
        return 10
fun(5)
####  嵌套使用
(lambda x: x * 10 if x > 10 else (x * 5 if x < 5 else x))(11)
# 等价于 def 和 return 关键字的普通函数
def fun(x):
    if x > 10:
        return x * 10
    elif x < 5:
        return x * 5
    else:
        return x
fun(11)

# lambda 函数被赋值给一个变量
f = lambda x: x ** 2
f(2)

## 赋值给其他函数
time.sleep=lambda x: None
time.sleep(3) # 程序不会休眠 3 秒钟，而是因为lambda输出为None，所以这里结果是什么都不做

# 计算平方数 
print(tuple(map(lambda x: x ** 2, [1, 2, 3, 4, 5])))   # py3
print(map(lambda x: x ** 2, [1, 2, 3, 4, 5]))          # py2
# 结果：
[1, 4, 9, 16, 25]
# 提供两个列表，将其相同索引位置的列表元素进行相加
map(lambda x, y: x + y, [1, 3, 5, 7, 9], [2, 4, 6, 8, 10])   # py2
# 结果：
[3, 7, 11, 15, 19]

from functools import reduce
lst = [1, 2, 3, 4, 5]
print(reduce(lambda x, y: x + y, lst))
# 结果： 15
"""
===========执行步骤解析：===========
调用 reduce(lambda x, y: x + y, lst)时，reduce函数将做如下计算：
1 先计算头两个元素：f(1, 2)，结果为3；
2 再把结果和第3个元素计算：f(3, 3)，结果为6；
3 再把结果和第4个元素计算：f(6, 4)，结果为10；
4 再把结果和第5个元素计算：f(10, 5)，结果为15；
5 由于没有更多的元素了，计算结束，返回结果15。
"""

# 按年龄升序排列
persons = [('kenny', 15), ('yang', 12), ('liu', 10)]
print(sorted(persons, key=lambda s: s[1]))
# 结果： [('liu', 10), ('yang', 12), ('kenny', 15)]

# 过滤出偶数
newlist = filter(lambda x: x % 2 == 0, range(1, 11))
print(list(newlist))
# 结果： [2, 4, 6, 8, 10]

import pandas as pd
df = pd.DataFrame({
    "name": ["xiaoming", "xiaohong", "xiaosu"],
    "weight": [78, 65, 87],
    "height": [1.82, 1.75, 1.89]
})
### df.apply
df['BMI'] = df.apply(lambda x: x["weight"] / (x["height"] ** 2), axis=1)
print(df)
## df.assign
df1 = df.assign(BMI=lambda x: x["weight"] / (x["height"] ** 2))
print(df1)
#输出：
"""
       name  weight  height        BMI
0  xiaoming      78    1.82  23.547881
1  xiaohong      65    1.75  21.224490
2    xiaosu      87    1.89  24.355421
"""

df["BMI_N"] = df["weight"] / (df["height"] ** 2)
print(df)
#输出：
"""
       name  weight  height        BMI      BMI_N
0  xiaoming      78    1.82  23.547881  23.547881
1  xiaohong      65    1.75  21.224490  21.224490
2    xiaosu      87    1.89  24.355421  24.355421
"""

import pandas as pd
df = pd.DataFrame({
    "name": ["xiaoming", "xiaohong", "xiaosu"],
    "weight": [78, 65, 87],
    "height": [1.82, 1.75, 1.89]
})
df['BMI'] = df.apply(lambda x: '肥胖' if x["weight"] / (x["height"] ** 2) > 22 else '正常', axis=1)
print(df)
#输出：
"""
       name  weight  height BMI
0  xiaoming      78    1.82  肥胖
1  xiaohong      65    1.75  正常
2    xiaosu      87    1.89  肥胖
"""