今天来给大家推荐一个Python当中超级好用的内置函数，那便是lambda方法，本篇教程大致和大家分享：
- 什么是lambda函数
- lambda函数过滤列表元素
- lambda函数和map()方法的联用
- lambda函数和apply()方法的联用
- 什么时候不适合使用lambda方法
什么是Lambda函数
在Python当中，我们经常使用lambda关键字来声明一个匿名函数，所谓地匿名函数，通俗地来讲就是没有名字的函数，具体的语法格式如下所示：
lambda arguments : expression
其中它可以接受任意数量的参数，但是只允许包含一个表达式，而该表达式的运算结果就是函数的返回值，我们可以简单地来写一个例子：
(lambda x:x**2)(5)
output：
25
过滤列表中的元素
那么我们如何来过滤列表当中的元素呢？这里就需要将lambda函数和filter()方法联合起来使用了，而filter()方法的语法格式：
filter(function, iterable)
- function -- 判断函数
- iterable -- 可迭代对象，列表或者是字典
其中我们有这么一个列表：
import numpy as np yourlist = list(np.arange(2,50,3))
其中我们想要过滤出2次方之后小于100的元素，我们来定义一个匿名函数，如下：
lambda x:x**2<100
最后出来的结果如下所示：
list(filter(lambda x:x**2<100, yourlist))
output：
[2, 5, 8]
要是遇上复杂的计算过程，小编这里还是推荐大家自己自定义一个函数，但若是简单的计算过程，lambda匿名函数绝对是最佳的选择。
和map()函数的联用
map()函数的语法和上面的filter()函数相近，例如下面这个匿名函数：
lambda x: x**2+x**3
我们将其和map()方法联用起来：
list(map(lambda x: x**2+x**3, yourlist))
output：
[12, 150, 576, 1452, 2940, 5202, ......]
当然正如我们之前提到的lambda匿名函数可以接受多个数量的参数，我们这里就可以来尝试一下了，例如有两组列表，
mylist = list(np.arange(4,52,3)) yourlist = list(np.arange(2,50,3))
我们同样使用map()方法来操作，代码如下：
list(map(lambda x,y: x**2+y**2, yourlist,mylist))
output：
[20, 74, 164, 290, 452, 650, 884, 1154, ......]
和apply()方法的联用
apply()方法在Pandas的数据表格中用的比较多，而在apply()方法当中就带上lambda匿名函数，我们新建一个数据表格，如下所示：
Scala也是一种函数式语言，其函数也能当成值来使用。Scala提供了轻量级的语法用以定义匿名函数，支持高阶函数，允许嵌套多层函数，并支持柯里化 。Scala的Case Class及其内置的模式匹配相当于函数式编程语言中常用的代数类型（Algebraic Type）。 Scala课堂是Twitter启动的一系列讲座，用来帮助有经验的工程师成为高效的Scala 程序员。Scala是一种相对较新的语言，但借鉴了许多熟悉的概念。因此，课程中的讲座假设听众知道这些概念，并展示了如何在Scala中使用它们。我们发现
myseries = pd.Series(mylist) myseries
output：
04 17 2 10 3 13 4 16 5 19 6 22 7 25 8 28 ...... dtype: int32
apply()方法的使用和前两者稍有不同，map()方法和filter()方法我们都需要将可迭代对象放入其中，而这里的apply()则不需要：
myseries.apply(lambda x: (x+5)/x**2)
output：
0 0.562500 1 0.244898 2 0.150000 3 0.106509 4 0.082031 5 0.066482 6 0.055785 7 0.048000 ...... dtype: float64
而要是遇到DataFarme表格数据的时候，也是同样地操作
df = pd.read_csv(r'Dummy_Sales_Data_v1.csv') df["Sales_Manager"] = df["Sales_Manager"].apply(lambda x: x.upper()) df["Sales_Manager"].head()
output：
0PABLO 1PABLO 2KRISTEN 3ABDUL 4 STELLA Name: Sales_Manager, dtype: object
并且通过apply()方法处理可是比直接用str.upper()方法来处理，速度来的更快哦！！
不太适合使用的场景
那么不适合的场景有哪些呢？那么首先lambda函数作为一个匿名函数，不适合将其赋值给一个变量，例如下面的这个案例：
squared_sum = lambda x,y: x**2 + y**2 squared_sum(3,4)
相比较而言更好的是自定义一个函数来进行处理：
def squared_sum(x,y): return x**2 + y**2 squared_sum(3,4)
output：
25
而我们遇到如下情景的时候，可以对代码稍作简化处理：
import math mylist = [10, 25, 40, 49, 65, 81] sqrt_list = list(map(lambda x: math.sqrt(x), mylist)) sqrt_list
output：
[3.16227766, 5.0, 6.324555320, 7.0, 8.062257748, 9.0]
我们可以将其简化成：
import math mylist = [10, 25, 40, 49, 65, 81] sqrt_list = list(map(math.sqrt, mylist)) sqrt_list
output：
[3.162277, 5.0, 6.324555, 7.0, 8.062257, 9.0]
如果是Python当中的内置函数，尤其是例如math这种用于算数的模块，可以不需要放在lambda函数中，可以直接抽出来用
