匿名函数、高阶函数、map函数、filter函数、reduce函数

1.匿名函数

　　　　例如： lambda x： x+1

　　　　此为匿名函数 x为形参，x+1为函数表达式 （此处表达式逻辑不能过于复杂，条件语句等不能使用；可以定义多个形参 如 lambda x，y，z：x+y+z；）

　　　　匿名函数也可返回多个值，但需要加括号  如 lambda  x,y,z: (x+1,y+1,z+1)

　　（1）匿名函数的调用

func = lambda x:x+1    赋名

a=func(10)　　　　　　　　调用
print(a)　　　　　　　　　打印
运行结果：
11

  

2.高阶函数 ： 函数接受的参数是一个函数名  或者   返回值中包含函数

def bar():
    print('from bar')
    
def foo():　　　　　　　　　　foo（） 为高阶函数
    print('from foo')
    return bar()　　　　　　此处运行bar（） 并得到其返回值，并返回

print(foo())
运行结果：

from foo
from bar

None　　　　　　　　　　　　　　因为bar()没有返回值，所以此处为None

 3.map函数  map（x,y） 两个形参，第一个为处理方法，第二个为一个可迭代对象。map函数将可迭代对象中的每一个值运for循环遍历，并把每个值交给前边形参所提供的处理方法进行处理并返回值

　　　　　　　　　　　最终得到的是与原来相似的处理后的对象（元素个数及位置与原来的一样）　　　

num_l = [1,2,10,5,3,7]
def map_test(func,array):
    ret=[]
    for i in array:
        res=func(i)
        ret.append(res)
    return ret

print(map_test(lambda x:x+1,num_l))　　　　　　　　　　　　　　　　传入一个匿名函数（也可以自己再定义一个函数），传入一个处理对象
print('内置函数map，处理结果：',map(lambda x:x+1,num_l))
运行结果：

[2, 3, 11, 6, 4, 8]
内置函数map，处理结果： <map object at 0x00000272B81276D8>　　　　有此处可以得知，map函数与map_test()作用一样，但写起来更为简便，但其得到的结果为一个内存地址（可迭代对象），可通过

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　print(list(map(lambda x:x+1,num_l))) 来得到与 map_test（） 相同过的效果

4.filter函数 filter（x，y） 第一个形参为函数，第二个形参为可迭代对象，filter函数将第二个形参中的值遍历给第一个形参传入的函数处理，函数返回布尔值 True 或者False，并保留True的值

movie_people = ['alex_sb','qupeiqi_sb','linhaifeng','yuanhao_sb']
def filter_test(func,array):
    tet=[]
    for i in array:
        if not func(i):
            tet.append(i)
    return tet

print(filter_test(lambda n :n.endswith('sb'),movie_people))

print(filter(lambda n:not n.endswith('sb'),movie_people))

print(list(filter(lambda n:not n.endswith('sb'),movie_people)))
运行结果：

['linhaifeng']　

<filter object at 0x00000283CFE07828>　　　　　　　　　　　　　　　　　　　　　　　　　　可知，filter（）函数和自定义的filter_test()函数作用相同，其返回值也是内存地址。

['linhaifeng']　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

5.reduce函数    reduce（x，y，z=None） 第一个形参传入函数，第二个形参传入处理的对象，第三个默认为None。将第二个形参中的值遍历传入函数进处理（累加或累乘等等），同时可加入第三个值

　　　　　　　　即z 一并计算，最终得到的是一个值

from functools import reduce　　　　　　　　　　 从模块中引入reduce
num_l = [1,2,3,100]
def reduce_test(func,array,init=None):
    if init is None:
        res = array.pop(0)
    else:
        res=init
    for num in array:
        res = func(res,num)

    return res

print(reduce_test(lambda x,y:x*y,num_l,100))
print(reduce(lambda x,y:x*y,num_l,100))
运行结果：

60000
60000　　　　　　　　　　　　　　　　　　　　　　　　　　可知 reduce函数与自定义的reduce_test()函数作用相同，返回的是一个值