今天來給大家推薦一個Python當中超級好用的內置函數，那便是lambda方法，本篇教程大致和大家分享：

什么是lambda函數

lambda函數過濾列表元素

lambda函數和map()方法的聯用

lambda函數和apply()方法的聯用

什么時候不適合使用lambda方法

什么是Lambda函數

在Python當中，我們經常使用lambda關鍵字來聲明一個匿名函數，所謂地匿名函數，通俗地來講就是沒有名字的函數，具體的語法格式如下所示

lambdaarguments:expression

其中它可以接受任意數量的參數，但是只允許包含一個表達式，而該表達式的運算結果就是函數的返回值，我們可以簡單地來寫一個例子

(lambdax:x**2)(5)

output

25

過濾列表中的元素

那么我們如何來過濾列表當中的元素呢？這里就需要將lambda函數和filter()方法聯合起來使用了，而filter()方法的語法格式

filter(function,iterable)

function -- 判斷函數

iterable -- 可迭代對象，列表或者是字典

其中我們有這么一個列表

importnumpyasnp

yourlist=list(np.arange(2,50,3))

其中我們想要過濾出2次方之后小于100的元素，我們來定義一個匿名函數，如下

lambdax:x**2<100

最后出來的結果如下所示

list(filter(lambdax:x**2<100,?yourlist))

output

[2,5,8]

和map()函數的聯用

map()函數的語法和上面的filter()函數相近，例如下面這個匿名函數

lambdax:x**2+x**3

我們將其和map()方法聯用起來

list(map(lambdax:x**2+x**3,yourlist))

output

當然正如我們之前提到的lambda匿名函數可以接受多個數量的參數，我們這里就可以來嘗試一下了，例如有兩組列表

我們同樣使用map()方法來操作，代碼如下

list(map(lambdax,y:x**2+y**2,yourlist,mylist))

output

和apply()方法的聯用

apply()方法在Pandas的數據表格中用的比較多，而在apply()方法當中就帶上lambda匿名函數，我們新建一個數據表格，如下所示

myseries=pd.Series(mylist)

myseries

output

apply()方法的使用和前兩者稍有不同，map()方法和filter()方法我們都需要將可迭代對象放入其中，而這里的apply()則不需要

myseries.apply(lambdax:(x+5)/x**2)

output

而要是遇到DataFarme表格數據的時候，也是同樣地操作

output

并且通過apply()方法處理可是比直接用str.upper()方法來處理，速度來的更快哦??！

不太適合使用的場景

那么不適合的場景有哪些呢？那么首先lambda函數作為一個匿名函數，不適合將其賦值給一個變量，例如下面的這個案例

squared_sum=lambdax,y:x**2+y**2

squared_sum(3,4)

相比較而言更好的是自定義一個函數來進行處理

output

25

而我們遇到如下情景的時候，可以對代碼稍作簡化處理

output

[3.16227766,5.0,6.324555320,7.0,8.062257748,9.0]

我們可以將其簡化成

output

[3.162277,5.0,6.324555,7.0,8.062257,9.0]

如果是Python當中的內置函數，尤其是例如math這種用于算數的模塊，可以不需要放在lambda函數中，可以直接抽出來用

審核編輯：劉清