Lambda 与 map 函数：Python 中的高效数据处理

Lambda 函数：匿名函数的核心作用

在 Python 编程中，Lambda 函数是一种强大的工具，允许我们定义匿名函数。这种函数没有具体名称，适合用于快速定义单行函数，尤其在需要简洁操作的地方。

Lambda 与 def 的区别

定义方式：Lambda 函数没有名称，直接使用表达式定义；而 def 函数则需要指定函数名称。

返回值：Lambda 返回的是一个函数对象，但这个对象不会被赋予标识符；而 def 定义的函数会将函数对象赋值给变量。

语法结构：Lambda 只能包含一个表达式，而 def 函数可以包含多个语句。

执行条件：Lambda 中不能使用语句式结构（如 if、for 等），而 def 函数则可以。

适用场景：Lambda 适用于定义简单的函数，而 def 则更适合复杂的逻辑和多行操作。

Lambda 的典型用法

# 单参数 Lambda 示例g = lambda x: x ** 2print(g(3))  # 输出：9# 多参数 Lambda 示例g = lambda x, y, z: (x + y) ** zprint(g(1, 2, 2))  # 输出：9

Map 函数：函数映射的高效工具

Map 是 Python 内置的一个强大函数，用于将指定函数依次作用于可迭代序列的每个元素。其语法格式为：

map(function, iterable, ...)

Map 的基本用法

单一函数应用：

def square(x):    return x ** 2list(map(square, [1, 2, 3, 4, 5]))  # 返回：[1, 4, 9, 16, 25]

多函数应用：

list(map(lambda x, y: x + y, [1, 3, 5, 7, 9], [2, 4, 6, 8, 10]))  # 返回：[3, 7, 11, 15, 19]

Map 的实际应用场景

数据转换：将字符串列表转换为数字。

信息处理：对多个 DataFrame 列分别应用函数。

Apply 函数：灵活的函数调用工具

Apply 函数用于在指定参数下调用函数，特别适用于处理带有多个参数的函数调用。其语法格式为：

apply(func, *args, **kwargs)

Apply 的典型用法

def function(a, b):    print(a, b)# 传递位置参数apply(function, ('good', 'better'))# 传递计算参数apply(function, (2, 3 + 6))# 传递混合参数apply(function, ('cai',), {'b': 'caiquan'})apply(function, (), {'a': 'caiquan', 'b': 'Tom'})

Apply 在 DataFrame 中的应用

列 wise 应用：

t1 = df.apply(lambda x: x.max() - x.min())

行 wise 应用：

t2 = df.apply(lambda x: pd.Series([x.min(), x.max()], index=['min', 'max']), axis=1)

元素级应用：

def f(x):    return '%.2f' % xt3 = df.applymap(f)

数据框中的应用示例

import pandas as pdimport numpy as np# 创建 DataFramedf = pd.DataFrame(np.random.randn(4, 3), columns=['b', 'd', 'e'],                 index=['utah', 'ohio', 'texas', 'oregon'])# 列 wise 应用函数t1 = df.apply(lambda x: x.max() - x.min())# 行 wise 应用函数t2 = df.apply(lambda x: pd.Series([x.min(), x.max()], index=['min', 'max']), axis=1)# 元素级应用函数t3 = df.applymap(lambda x: '%.2f' % x)

通过这些实例可以看出，map 和 apply 函数在数据处理中的广泛应用，特别是在处理大量数据时，它们能够显著提高代码的简洁性和执行效率。

转载地址：http://bvlfk.baihongyu.com/

你可能感兴趣的文章