分享Python的5種高階特徵應用

導讀	本文主要講解 Python 的 5 種高階特徵，以及它們的用法。

Lambda 函式是一種比較小的匿名函式——匿名是指它實際上沒有函式名。

Python 函式通常使用 def a_function_name() 樣式來定義，但對於 lambda 函式，我們根本沒為它命名。這是因為 lambda 函式的功能是執行某種簡單的表示式或運算，而無需完全定義函式。

lambda 函式可以使用任意數量的引數，但表示式只能有一個。

x = lambda a, b : a * b
print(x(5, 6)) # prints 30
x = lambda a : a*3 + 3
print(x(3)) # prints 12

看它多麼簡單！我們執行了一些簡單的數學運算，而無需定義整個函式。這是 Python 的眾多特徵之一，這些特徵使它成為一種乾淨、簡單的程式語言。

Map() 是一種內建的 Python 函式，它可以將函式應用於各種資料結構中的元素，如列表或字典。對於這種運算來說，這是一種非常乾淨而且可讀的執行方式。

def square_it_func(a):
return a * a
x = map(square_it_func, [1, 4, 7])
print(x) # prints [1, 16, 47]
def multiplier_func(a, b):
return a * b
x = map(multiplier_func, [1, 4, 7], [2, 5, 8])

print(x) # prints [2, 20, 56] 看看上面的示例！我們可以將函式應用於單個或多個列表。實際上，你可以使用任何 Python 函式作為 map 函式的輸入，只要它與你正在操作的序列元素是相容的。

filter 內建函式與 map 函式非常相似，它也將函式應用於序列結構（列表、元組、字典）。二者的關鍵區別在於 filter() 將只返回應用函式返回 True 的元素。

詳情請看如下示例：

# Our numbers
numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]
# Function that filters out all numbers which are odd
def filter_odd_numbers(num):
if num % 2 == 0:
return True
else:
return False
filtered_numbers = filter(filter_odd_numbers, numbers)
print(filtered_numbers)
# filtered_numbers = [2, 4, 6, 8, 10, 12, 14]

我們不僅評估了每個列表元素的 True 或 False，filter() 函式還確保只返回匹配為 True 的元素。非常便於處理檢查表示式和構建返回列表這兩步。

Python 的 Itertools 模組是處理迭代器的工具集合。迭代器是一種可以在 for 迴圈語句（包括列表、元組和字典）中使用的資料型別。

使用 Itertools 模組中的函式讓你可以執行很多迭代器操作，這些操作通常需要多行函式和複雜的列表理解。關於 Itertools 的神奇之處，請看以下示例：

from itertools import *
# Easy joining of two lists into a list of tuples
for i in izip([1, 2, 3], [ a , b , c ]):
print i
# ( a , 1)
# ( b , 2)
# ( c , 3)
# The count() function returns an interator that
# produces consecutive integers, forever. This
# one is great for adding indices next to your list
# elements for readability and convenience
for i in izip(count(1), [ Bob , Emily , Joe ]):
print i
# (1, Bob )
# (2, Emily )
# (3, Joe )
# The dropwhile() function returns an iterator that returns
# all the elements of the input which come after a certain
# condition becomes false for the first time.
def check_for_drop(x):
print Checking: , x
return (x > 5)
for i in dropwhile(should_drop, [2, 4, 6, 8, 10, 12]):
print Result: , i
# Checking: 2
# Checking: 4
# Result: 6
# Result: 8
# Result: 10
# Result: 12
# The groupby() function is great for retrieving bunches
# of iterator elements which are the same or have similar
# properties
a = sorted([1, 2, 1, 3, 2, 1, 2, 3, 4, 5])
for key, value in groupby(a):
print(key, value), end= )
# (1, [1, 1, 1])
# (2, [2, 2, 2])
# (3, [3, 3])
# (4, [4])
# (5, [5])

Generator 函式是一個類似迭代器的函式，即它也可以用在 for 迴圈語句中。這大大簡化了你的程式碼，而且相比簡單的 for 迴圈，它節省了很多記憶體。

比如，我們想把 1 到 1000 的所有數字相加，以下程式碼塊的第一部分向你展示瞭如何使用 for 迴圈來進行這一計算。

如果列表很小，比如 1000 行，計算所需的記憶體還行。但如果列表巨長，比如十億浮點數，這樣做就會出現問題了。使用這種 for 迴圈，記憶體中將出現大量列表，但不是每個人都有無限的 RAM 來儲存這麼多東西的。Python 中的 range() 函式也是這麼幹的，它在記憶體中構建列表。

程式碼中第二部分展示了使用 Python generator 函式對數字列表求和。generator 函式建立元素，並只在必要時將其儲存在記憶體中，即一次一個。這意味著，如果你要建立十億浮點數，你只能一次一個地把它們儲存在記憶體中！Python 2.x 中的 xrange() 函式就是使用 generator 來構建列表。

上述例子說明：如果你想為一個很大的範圍生成列表，那麼就需要使用 generator 函式。如果你的記憶體有限，比如使用移動裝置或邊緣計算，使用這一方法尤其重要。

也就是說，如果你想對列表進行多次迭代，並且它足夠小，可以放進記憶體，那最好使用 for 迴圈或 Python 2.x 中的 range 函式。因為 generator 函式和 xrange 函式將會在你每次訪問它們時生成新的列表值，而 Python 2.x range 函式是靜態的列表，而且整數已經置於記憶體中，以便快速訪問。

# (1) Using a for loopv
numbers = list()
for i in range(1000):
numbers.append(i+1)
total = sum(numbers)
# (2) Using a generator
def generate_numbers(n):
num, numbers = 1, []
while num numbers.append(num)
num += 1
return numbers
total = sum(generate_numbers(1000))
# (3) range() vs xrange()
total = sum(range(1000 + 1))
total = sum(xrange(1000 + 1))

原文來自：