python- 笔记高阶函数map reduce fileter

Manda ·

更新时间:2024-11-10

· 963 次阅读

python 高阶函数：map reduce filter

map函数：遍历序列，对序列中每个元素进行操作，最终获取新的序列。

reduce函数：对于序列内所有元素进行累计操作。

filter函数：对于序列中的元素进行筛选，最终获取符合条件的序列。

Tips:这三条函数经常与lambda关键字搭配使用。

一、map()

#map在这里我理解翻译为"比对"的意思

接收两个参数，一个是函数，一个是Iterable，map将传入的函数依次作用到序列的每个元素，并把结果作为新的Iterator返回。

举例说明，比如我们有一个函数f(x)=x^2，要把这个函数作用在一个list [1, 2, 3, 4, 5, 6, 7, 8, 9]上，就可以用map()实现如下：

>>> def f(x):
...     return x * x
...
>>> r = map(f, [1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> list(r)
[1, 4, 9, 16, 25, 36, 49, 64, 81]

#使用lambda关键字
list(map(lambda x:x*x , [1,2,3,4,5,6,7,8,9]))
map()传入的第一个参数是f，即函数对象本身。由于结果r是一个Iterator，Iterator是惰性序列，因此通过list()函数让它把整个序列都计算出来并返回一个list。

还可以计算任意复杂的函数，比如，把这个list所有数字转为字符串：

>>> list(map(str, [1, 2, 3, 4, 5, 6, 7, 8, 9]))
['1', '2', '3', '4', '5', '6', '7', '8', '9']

练习：

利用map()函数，把用户输入的不规范的英文名字，变为首字母大写，其他小写的规范名字。输入：[‘adam’, ‘LISA’, ‘barT’]，输出：[‘Adam’, ‘Lisa’, ‘Bart’]：

def kumata(name):
return name[0].upper + name[1:].lower

#或者
def kumata(name):
return name.title()

L1 = [‘adam’, ‘LISA’, ‘barT’]
L2 = list(map(kumata, L1))
print(L2)

#输出
[‘Adam’, ‘Lisa’, ‘Bart’]

二、reduce()

reduce把一个函数作用在一个序列[x1, x2, x3, …]上，这个函数必须接收两个参数，reduce把结果继续和序列的下一个元素做累积计算，其效果就是：

reduce(f, [x1, x2, x3, x4]) = f(f(f(x1, x2), x3), x4)

比方说对一个序列求和，就可以用reduce实现：

>>> from functools import reduce
>>> def add(x, y):
...     return x + y
...
>>> reduce(add, [1, 3, 5, 7, 9])
25

#使用lambda关键字
from functools import reduce
reduce(lambda x,y:x+y ,[1,3,5,7,9])

当然求和运算可以直接用Python内建函数sum()，没必要动用reduce。

但是如果要把序列[1, 3, 5, 7, 9]变换成整数13579，reduce就可以派上用场：

>>> from functools import reduce
>>> def fn(x, y):
...     return x * 10 + y
...
>>> reduce(fn, [1, 3, 5, 7, 9])
13579

练习：

Python提供的sum()函数可以接受一个list并求和，请编写一个prod()函数，可以接受一个list并利用reduce()求[3,5,7,9]的积：

from functools import reduce
>>> reduce(kuma,[3,5,7,9])
945

reduce 和 map的区别
①从参数方面来讲：

map()函数：

map()包含两个参数，第一个是参数是一个函数，第二个是序列（列表或元组）。其中，函数（即map的第一个参数位置的函数）可以接收一个或多个参数。

reduce()函数：

reduce() 第一个参数是函数，第二个是序列（列表或元组）。但是，其函数必须接收两个参数。

②从对传进去的数值作用来讲：

map()是将传入的函数依次作用到序列的每个元素，每个元素都是独自被函数“作用”一次；
reduce()是将传人的函数作用在序列的第一个元素得到结果后，把这个结果继续与下一个元素作用（），
最终结果是所有的元素相互作用的结果。

三、filter（）

和map()类似，filter()也接收一个函数和一个序列。和map()不同的是，filter()把传入的函数依次作用于每个元素，然后根据返回值是True还是False决定保留还是丢弃该元素。

例如，在一个list中，删掉偶数，只保留奇数，可以这么写：

def is_odd(n):
    return n % 2 == 1
list(filter(is_odd, [1, 2, 4, 5, 6, 9, 10, 15]))
[1, 5, 9, 15]
#使用lambda关键字
list(filter(lambda n:n%2 == 1 , [1,2,4,5,6,9,10,15]))

把一个序列中的空字符串删掉，可以这么写：

def not_empty(s):
    return s and s.strip()
list(filter(not_empty, ['A', '', 'B', None, 'C', '  ']))
['A', 'B', 'C']
#使用lambda关键字
list(filter(lambda s:s and s.strip(),['A', '', 'B', None, 'C', '  ']))
['A', 'B', 'C']
#注意：这里没有直接用 lambda s:s.strip() 是因为None是没有strip和len方法的，如果直接这样用会报错
#加上and之后，就会先判断s的存在，如果s是None那就不用往下执行了，直接返回None

可见用filter()这个高阶函数，关键在于正确实现一个“筛选”函数。

注意到filter()函数返回的是一个Iterator，也就是一个惰性序列，所以要强迫filter()完成计算结果，需要用list()函数获得所有结果并返回list。