目录
1 lambda
lambda原型为：lambda 参数:操作(参数)
lambda函数也叫匿名函数，即没有具体名称的函数，它允许快速定义单行函数，可以用在任何需要函数的地方。这区别于def定义的函数。
lambda与def的区别：
1）def创建的方法是有名称的，而lambda没有。
2）lambda会返回一个函数对象，但这个对象不会赋给一个标识符，而def则会把函数对象赋值给一个变量（函数名）。
3）lambda只是一个表达式，而def则是一个语句。
4）lambda表达式” : “后面，只能有一个表达式，def则可以有多个。
5）像if或for或print等语句不能用于lambda中，def可以。
6）lambda一般用来定义简单的函数，而def可以定义复杂的函数。
1.1 举最简单的例子
#单个参数的： g = lambda x : x 2 print g(3) """ 9 """ #多个参数的： g = lambda x, y, z : (x + y) z print g(1,2,2) """ 9 """1.2 再举一个普通的例子
将一个 list 里的每个元素都平方：
map( lambda x: x*x, [y for y in range(10)] )这个写法要好过
def sq(x): return x * x map(sq, [y for y in range(10)])因为后者多定义了一个（污染环境的）函数，尤其如果这个函数只会使用一次的话。
进一步讲，匿名函数本质上就是一个函数，它所抽象出来的东西是一组运算。这是什么意思呢？类比
a = [1, 2, 3]和
f = lambda x : x + 1我们会发现，等号右边的东西完全可以脱离等号左边的东西而存在，等号左边的名字只是右边之实体的标识符。如果能习惯 [1, 2, 3] 单独存在，那么 lambda x : x + 1 也能单独存在其实也就不难理解了，它的意义就是给「某个数加一」这一运算本身。
现在回头来看 map() 函数，它可以将一个函数映射到一个可枚举类型上面。沿用上面给出的 a 和 f，可以写
map(f, a)也就是将函数 f 依次套用在 a 的每一个元素上面，获得结果 [2, 3, 4]。现在用 lambda 表达式来替换 f，就变成：
map( lambda x : x + 1, [1, 2, 3] )会不会觉得现在很一目了然了？尤其是类比
a = [1, 2, 3] r = [] for each in a: r.append(each+1)2 Apply
Python中apply函数的格式为：apply(func,*args,kwargs)
当然，func可以是匿名函数。
用途：当一个函数的参数存在于一个元组或者一个字典中时，用来间接的调用这个函数，并将元组或者字典中的参数按照顺序传递给参数
解析：args是一个包含按照函数所需参数传递的位置参数的一个元组，简单来说，假如A函数的函数位置为 A(a=1,b=2),那么这个元组中就必须严格按照这个参数的位置顺序进行传递(a=3,b=4)，而不能是(b=4,a=3)这样的顺序。kwargs是一个包含关键字参数的字典，而其中args如果不传递，kwargs需要传递，则必须在args的位置留空。
apply的返回值就是函数func函数的返回值。
2.1 举例
def function(a,b): print(a,b) apply(function,('good','better')) apply(function,(2,3+6)) apply(function,('cai','quan')) apply(function,('cai',),{'b':'caiquan'}) apply(function,(),{'a':'caiquan','b':'Tom'}) 输出结果：
有时候，函数的参数可能是DataFrame中的行或者列。
2.2 下面的例子是DataFrame中apply的用法
#函数应用和映射 import numpy as np import pandas as pd df=pd.DataFrame(np.random.randn(4,3),columns=list('bde'),index=['utah','ohio','texas','oregon']) print(df) """ b d e utah -0. 1. 0. ohio -0. -0. 0. texas 0.043476 0. -0. oregon 0. -2. -0. """ #将函数应用到由各列或行形成的一维数组上。DataFrame的apply方法可以实现此功能 f=lambda x:x.max()-x.min() #默认情况下会以列为单位，分别对列应用函数 t1=df.apply(f) print(t1) t2=df.apply(f,axis=1) print(t2) """ b 1. d 4. e 1. dtype: float64 utah 2. ohio 1. texas 1. oregon 2. dtype: float64 """ #除标量外，传递给apply的函数还可以返回由多个值组成的Series def f(x): return pd.Series([x.min(),x.max()],index=['min','max']) t3=df.apply(f) #从运行的结果可以看出，按列调用的顺序，调用函数运行的结果在右边依次追加 print(t3) """ b d e min -0. -2. -0. max 0. 1. 0. """ #元素级的python函数，将函数应用到每一个元素 #将DataFrame中的各个浮点值保留两位小数 f=lambda x: '%.2f'%x t3=df.applymap(f) print(t3) """ b d e utah -0.67 1.97 0.74 ohio -0.90 -0.79 0.47 texas 0.04 0.89 -0.66 oregon 0.70 -2.24 -0.15 """ #注意，之所以这里用map,是因为Series有一个元素级函数的map方法。而dataframe只有applymap。 t4=df['e'].map(f) print(t4) """ utah 0.74 ohio 0.47 texas -0.66 oregon -0.15 """3 参考文献
【1】Lambda 表达式有何用处？如何使用？
【2】Python lambda函数的用法
【3】python apply函数的用法
【4】python DataFrame的apply方法
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/207852.html原文链接：https://javaforall.net
