《Python数据科学指南》——1.16 使用lambda创造匿名函数

简介:

本节书摘来自异步社区《Python数据科学指南》一书中的第1章,第1.16节,作者[印度] Gopi Subramanian ,方延风 刘丹 译,更多章节内容可以访问云栖社区“异步社区”公众号查看。

1.16 使用lambda创造匿名函数

匿名函数是由Python中的lambda语句产生的。一个没有被命名的函数就是匿名函数。

1.16.1 准备工作

如果你掌握了将函数作为参数传递的内容,你会发现这节的示例和它非常相似。这节我们会传递一个预定义的函数,一个lambda函数。

1.16.2 操作方法

我们写一个简单的操作小型数据集的示例,来解释Python中的匿名函数。

# 1.创建一个简单的列表,写一个类似于1.13节“将函数作为参数传递”中的函数
a =[10,20,30]

def do_list(a_list,func):
     total = 0
     for element in a_list:
          total+=func(element)
     return total

print do_list(a,lambda x:x**2)   
print do_list(a,lambda x:x**3)   

b =[lambda x: x%3 ==0  for x in a  ]

1.16.3 工作原理

第1步中,do_list函数接受另一个函数作为参数。在输入的列表和函数的共同作用下,do_list函数应用输入的函数对给定的列表中的元素进行处理,对要转换的数值进行求和,并返回结果。

接着,对do_list函数进行调用,第1个参数是我们输入的列表a,第2个参数是我们的lambda函数,我们来解码它。

lambda x:x**2

通过关键字lambda,我们就声明了一个匿名函数,跟着是定义一个函数的参数,本例中,x就是被传递给这个匿名函数的参数名。表达式中跟在冒号符之后的是返回值,输入参数按照表达式进行运算,并给出返回值。本例中,输入值的平方值被返回作为输出。第2个print语句里,我们有另一个lambda函数,用来返回给定输入的立方值。

相关文章
|
8天前
|
Python
python函数的参数学习
学习Python函数参数涉及五个方面:1) 位置参数按顺序传递,如`func(1, 2, 3)`;2) 关键字参数通过名称传值,如`func(a=1, b=2, c=3)`;3) 默认参数设定默认值,如`func(a, b, c=0)`;4) 可变参数用*和**接收任意数量的位置和关键字参数,如`func(1, 2, 3, a=4, b=5, c=6)`;5) 参数组合结合不同类型的参数,如`func(1, 2, 3, a=4, b=5, c=6)`。
13 1
|
23天前
|
Python
Python函数使用(四)
Python函数使用(四)
59 0
|
1天前
|
机器学习/深度学习 数据可视化 数据挖掘
《Python 简易速速上手小册》第9章:数据科学和机器学习入门(2024 最新版)
《Python 简易速速上手小册》第9章:数据科学和机器学习入门(2024 最新版)
10 1
|
1天前
|
Serverless 开发者 Python
《Python 简易速速上手小册》第3章:Python 的函数和模块(2024 最新版)
《Python 简易速速上手小册》第3章:Python 的函数和模块(2024 最新版)
25 1
|
1天前
|
索引 Python
Python高维变量选择:SCAD平滑剪切绝对偏差惩罚、Lasso惩罚函数比较
Python高维变量选择:SCAD平滑剪切绝对偏差惩罚、Lasso惩罚函数比较
|
3天前
|
Python
python学习-函数模块,数据结构,字符串和列表(下)
python学习-函数模块,数据结构,字符串和列表
25 0
|
3天前
05-python之函数-函数的定义/函数的参数/函数返回值/函数说明文档/函数的嵌套使用/函数变量的作用域
05-python之函数-函数的定义/函数的参数/函数返回值/函数说明文档/函数的嵌套使用/函数变量的作用域
|
4天前
|
Python
python学习10-函数
python学习10-函数
|
4天前
|
Python
python学习4-内置函数range()、循环结构、循环控制语句、else语句、嵌套循环
python学习4-内置函数range()、循环结构、循环控制语句、else语句、嵌套循环
|
7天前
|
数据采集 机器学习/深度学习 数据可视化
数据科学面试准备:解决Python数据分析常见问答和挑战
【4月更文挑战第12天】本文介绍了Python数据分析面试中常见的问题和挑战,涉及Pandas、NumPy、Matplotlib等库的基础知识,以及数据预处理、探索性分析、可视化、回归分析和分类分析的方法。例如,使用Pandas处理缺失值和异常值,利用Matplotlib和Seaborn进行数据可视化,通过Scikit-learn进行回归和分类模型的构建。