Python lambda 函数使用方法深度总结

今天我们将深入探讨 Python 中的 lambda 函数，分析其核心优势与潜在局限性。

Let's do it！

什么是 Python 中的 Lambda 函数

lambda 函数是一种匿名函数（即未显式命名），它支持接收任意数量的参数。与普通函数不同，lambda 函数仅能计算并返回一个单一的表达式。

Python 中 lambda 函数的语法结构如下：

lambda 参数：表达式

lambda 函数主要由三个部分组成：

• 关键字 lambda：其作用类似于普通函数定义中的 def。
• 参数部分：支持传递位置参数和关键字参数，用法与普通函数一致。
• 表达式主体：用于处理参数并返回结果。

与普通函数不同，lambda 函数的参数无需使用括号包裹。若包含两个或更多参数，直接使用逗号进行分隔即可。

通常，lambda 函数仅用于计算简短的表达式（理想情况下为单行），且只执行一次，无需后续复用。因此，它常被作为参数传递给高阶函数（即接受其他函数作为参数的函数），例如 Python 内置的 filter()、map() 或 reduce() 等。

Python 中的 Lambda 函数如何工作

下面是一个简单的 lambda 函数示例：

lambda x: x + 1

输出结果：

<function __main__.<lambda>(x)>

上述 lambda 函数接收一个参数，将其值加 1 后返回结果。

它是以下使用 def 和 return 关键字编写的普通函数的简化版本：

def increment_by_one(x):
    return x + 1

截至目前，我们的 lambda 函数 lambda x: x + 1 仅创建了一个函数对象，并未返回实际值，这是因为我们没有为参数 x 提供具体的输入值。让我们先定义一个变量，并将其传递给 lambda 函数，观察此时的输出：

a = 2
print(lambda x: a + 1)

输出结果：

<function <lambda> at 0x00000250CB0A5820>

我们的 lambda 函数并未按预期返回数值 3，而是返回了函数对象本身及其内存地址。这表明上述方式并非调用 lambda 函数的正确方法。若要向 lambda 函数传递参数、执行计算并返回结果，应采用以下语法：

(lambda x: x + 1)(2)

输出结果：

3

虽然定义 lambda 函数时参数无需括号包裹，但在调用时，我们需要在 lambda 表达式整体及传入的参数周围加上括号。

上述代码还展示了一个重要特性：使用 lambda 函数可以在创建函数的同时立即执行并获取结果。这种模式被称为立即调用函数表达式（Immediately Invoked Function Expression，简称 IIFE）。

我们可以创建包含多个参数的 lambda 函数，此时在函数定义中需用逗号分隔各参数。执行此类 lambda 函数时，同样需按相同顺序列出对应参数，并用逗号分隔：

(lambda x, y, z: x + y + z)(3, 8, 1)

输出结果：

12

lambda 函数也可用于执行条件判断。下面是一个模拟简单 if-else 逻辑的 lambda 示例：

print((lambda x: x if(x > 10) else 10)(5))
print((lambda x: x if(x > 10) else 10)(12))

输出结果：

10 12

若涉及多个条件（如 if-elif-...-else），则必须进行嵌套处理：

(lambda x: x * 10 if x > 10 else (x * 5 if x < 5 else x))(11)

输出结果：

110

然而，上述写法会导致代码可读性显著下降。

在此类情况下，使用包含完整 if-elif-...-else 结构的普通函数是比 lambda 函数更优的选择。实际上，我们可以将上述示例改写为：

def check_conditions(x):
    if x > 10:
        return x * 10
    elif x < 5:
        return x * 5
    else:
        return x

check_conditions(11)

输出结果：

110

尽管上述普通函数代码行数更多，但其可读性明显优于对应的 lambda 写法。

我们可以将 lambda 函数赋值给一个变量，随后像调用普通函数一样调用该变量：

increment = lambda x: x + 1
increment(2)

输出结果：

3

然而，根据 Python 的 PEP 8 编码风格指南，这种做法被视为不良实践。

使用赋值语句消除了 lambda 表达式相对于显式 def 语句的唯一优势（即嵌入到更大表达式中的能力）。

因此，若确实需要存储函数以供后续使用，建议定义一个等效的普通函数，而非将 lambda 函数赋值给变量。

Lambda 函数在 Python 中的应用

带有 filter() 函数的 Lambda

Python 中的 filter() 函数需要接收两个参数：

• 用于定义过滤条件的函数。
• 该函数作用的可迭代对象。

执行该函数后，我们将得到一个过滤器对象：

lst = [33, 3, 22, 2, 11, 1]
filter(lambda x: x > 10, lst)

输出结果：

<filter at 0x250cb090520>

为了从过滤器对象中获取新的迭代器，且确保原始迭代器中所有满足预定义条件的项都被保留，我们需要将过滤器对象传递给 Python 标准库的相关函数：list()、tuple()、set()、frozenset() 或 sorted()（返回排序后的列表）。

下面示例过滤一个数字列表，仅选择大于 10 的数字，并返回按升序排序的列表：

lst = [33, 3, 22, 2, 11, 1]
sorted(filter(lambda x: x > 10, lst))

输出结果：

[11, 22, 33]

我们无需创建与原始对象类型相同的新可迭代对象，此外还可以将此操作的结果存储在一个变量中：

lst = [33, 3, 22, 2, 11, 1]
tpl = tuple(filter(lambda x: x > 10, lst))
tpl

输出结果：

(33, 22, 11)

带有 map() 函数的 Lambda

我们使用 Python 中的 map() 函数对可迭代对象的每个项目执行特定操作。其语法与 filter() 相同：包含一个要执行的函数和一个适用的可迭代对象。

map() 函数返回一个 map 对象，我们可以通过将该对象传递给相应的 Python 函数（如 list()、tuple()、set()、frozenset() 或 sorted()）来获取新的迭代数据。

与 filter() 函数类似，我们可以从 map 对象中提取与原始类型不同的可迭代对象，并将其赋值给变量。

下面示例使用 map() 函数将列表中的每个项目乘以 10，并将映射结果作为赋值给变量 tpl 的元组输出：

lst = [1, 2, 3, 4, 5]
print(map(lambda x: x * 10, lst))
tpl = tuple(map(lambda x: x * 10, lst))
tpl

输出结果：

<map object at 0x00000250CB0D5F40> (10, 20, 30, 40, 50)

map() 和 filter() 函数的一个重要区别是：map() 函数总是返回与原始数据长度相同的迭代结果。因此，由于 pandas Series 对象也是可迭代的，我们可以在 DataFrame 列上应用 map() 函数来创建新列：

import pandas as pd
df = pd.DataFrame({'col1': [1, 2, 3, 4, 5], 'col2': [0, 0, 0, 0, 0]})
print(df)
df['col3'] = df['col1'].map(lambda x: x * 10)
df

输出结果：

col1 col2 0 1 0 1 2 0 2 3 0 3 4 0 4 5 0 col1 col2 col3 0 1 0 10 1 2 0 20 2 3 0 30 3 4 0 40 4 5 0 50

当然，在上述场景中，也可以使用 apply() 函数获得相同的结果：

df['col3'] = df['col1'].apply(lambda x: x * 10)
df

输出结果：

col1 col2 col3 0 1 0 10 1 2 0 20 2 3 0 30 3 4 0 40 4 5 0 50

我们还可以根据特定条件为另一列创建新的 DataFrame 列。对于以下代码，我们可以互换使用 map() 或 apply() 函数：

df['col4'] = df['col3'].map(lambda x: 30 if x < 30 else x)
df

输出结果：

col1 col2 col3 col4 0 1 0 10 30 1 2 0 20 30 2 3 0 30 30 3 4 0 40 40 4 5 0 50 50

带有 reduce() 函数的 Lambda

reduce() 函数与 functools Python 模块相关，其工作原理如下：

• 对可迭代对象的前两项进行操作并保存结果。
• 将保存的结果与可迭代对象的下一项进行操作。
• 以这种方式在值对之间持续操作，直到所有项目处理完毕。

该函数与前两个函数拥有相同的两个参数：一个函数和一个可迭代对象。但与前述函数不同的是，此函数无需传递给其他函数，而是直接返回标量结果值：

from functools import reduce
lst = [1, 2, 3, 4, 5]
reduce(lambda x, y: x + y, lst)

输出结果：

15

上述代码展示了使用 reduce() 函数计算列表总和的过程。

需要注意的是，reduce() 函数始终需要一个包含两个参数的 lambda 函数，且我们必须首先从 functools Python 模块中导入它。

Python 中 Lambda 函数的优缺点

优点

• 它是评估单个表达式的理想选择，且该表达式通常只需评估一次。
• 它可以在定义后立即被调用。
• 与相应的普通语法相比，其语法更加紧凑。
• 它可以作为参数传递给高阶函数，例如 filter()、map() 和 reduce()。

缺点

• 它无法执行多个表达式。
• 它容易变得冗长且可读性差，例如当包含 if-elif-...-else 逻辑时。
• 它不能包含任何变量赋值（例如，lambda x: x=0 将抛出语法错误）。
• 我们无法为 lambda 函数提供文档字符串。

总结

总而言之，我们已经详细讨论了在 Python 中定义和使用 lambda 函数的多个方面：

• lambda 函数与普通 Python 函数的区别。
• Python 中 lambda 函数的语法结构及解析。
• 何时适合使用 lambda 函数。
• lambda 函数的工作原理。
• 如何正确调用 lambda 函数。
• 立即调用函数表达式（IIFE）的定义。
• 如何使用 lambda 函数执行条件操作，如何嵌套多个条件，以及为何应避免这种做法。
• 为何应避免将 lambda 函数赋值给变量。
• 如何将 lambda 函数与 filter() 函数结合使用。
• 如何将 lambda 函数与 map() 函数结合使用。
• 如何在 pandas DataFrame 中使用 lambda 函数。
• 带有传递给它的 lambda 函数的 map() 函数，以及在此场景下使用的替代功能。
• 如何将 lambda 函数与 reduce() 函数结合使用。
• 在普通 Python 代码中使用 lambda 函数的优缺点分析。

希望今天的讨论能使 Python 中看似复杂的 lambda 函数概念更加清晰，更易于实际应用。

以上就是 Python lambda 函数使用方法深度总结的详细内容，更多关于 Python lambda 函数的资料请关注本站其它相关文章！