lambda表达式可用于定义简单的一行式函数，并且可搭配其它函数时有多种衍生用法。

1、基础用法

如下所示，lambda表达式有3个组分

  • 关键字 lambda
  • 函数所需的参数，根据需要可以有多个
  • 函数表达式，通常就是一行。
Python Lambda Function/Anonymous Function | Hack The Developer 
1
2
3
4
5
6
7

x = lambda a : a + 10
print(x(5))

x = lambda a, b : a * b
print(x(5, 6))

(lambda a, b : a * b)(4, 3)

2、搭配用法

2.1 map()迭代

map()接受两个参数：逐元素进行某个函数的计算，返回相应的结果

  • 函数，可以使用简洁的lambda表达式
  • 待迭代对象，例如列表
1
2
3

number = [1, 2, 3, 4, 5]
list(map(lambda x : x + 5, number))
# [6, 7, 8, 9, 10]

2.2 filter()筛选

map()同样接受两个参数：根据函数的计算的逻辑值结果判断是否保留元素(True)

  • 函数，输出结果为逻辑值
  • 待筛选对象，例如列表
1
2
3

number = [1, 2, 3, 4, 5]
list(filter(lambda x : x > 3, number))
# [4, 5]

2.3 pandas的apply()

  • 类似R语言中的apply(), pandas表格的apply()函数可实现逐行，或者逐列操作
  • 常用的还是逐行操作，例如根据表格已有列的值新增或者修改列。
  • axis = 1 逐行操作 → 将表格的每一行作为参数传入函数 → 得到对应计算结果，变成一列值
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

df = np.random.randint(0,10,(3,2))
df = pd.DataFrame(df, columns=["col_1","col_2"])
#    col_1  col_2
# 0      5      3
# 1      3      6
# 2      1      2


#(1)基本用法
df["new_col"] = df.apply(lambda x: x["col_1"] + x["col_2"], axis=1)
df.apply(lambda x: x[0] + x[1], axis=1)  #与上面等价

#(2)关于result_type参数
df.apply(lambda x: [x[0]+10, x[1]-2], axis=1)
# 0    [15, 1]
# 1    [13, 4]
# 2    [11, 0]
df.apply(lambda x: [x[0]+10, x[1]-2], axis=1, result_type="expand")
#     0  1
# 0  15  1
# 1  13  4
# 2  11  0
df.apply(lambda x: [x[0], x[1]] if x[0]>x[1] else [x[1], x[0]], 
         axis=1, result_type='expand')

#(3)关于raw参数，默认为False传入的一行式Series格式；改为True则为numpy数组格式
df.apply(lambda x: np.sort(x), axis=1, raw=True)

## axis=0 则是逐列操作，使用的不多，逻辑相同。

上述使用lambda的地方都可改为传统的自定义函数，完成更加复杂的计算需求。