初学习之阶段, 一旦手中获取到一众数据, 我的一种条件反射乃是撰写一个 for 循环, 于那循环之中再嵌套若干个 if, 耗费诸多精力辛辛苦苦写下十几行字方将工作完成。而后方才知晓, 早已于内置函数之内为我们预备好了称作“数据处理四件套”之物——map 等等。同样的需求状况, 他人仅用两行代码便能够处理妥当, 而我却编写了二十行代码, 纯粹是费了力气却未得到好的效果。
今儿就去把这四件套整个讲述得彻彻底底。你就秉持记住这样一种图象: 予以将数据脑海臆想比作装配生产线上的货品, 四个函数等同于那四个各异不同的”一间车间“。
第一个车间：map，批量加工厂
map所进行之行为极为纯粹: 针对一组数据当中的每一个单独元素, 施行统一的同一项加工操作, 随后产出一组全新的数据个体结果。最为精妙独到之处在于, 其对已有、初始的“产物”进行处理, 而毫不触及被调用“基本原始之物的”核心部分。
nums = [10, 20, 30, 40] result = list(map(lambda x: x * 2, nums)) print(result) # [20, 40, 60, 80] print(nums) # [10, 20, 30, 40] 原件一点没变这里, 存在着这样一道“加工工序”, 即 x 变为 x 乘以 2。map 会将 nums 里面的每一个数, 逐个地送进这道工序, 使得 10 变成 20 , 20 变成 40 , 依此类推, 最后会整整齐齐地交还给你一组全新的数。
两个坑新手必踩：
1. map 返回的并非是列表, 它呈现的乃是一个“迭代器”呢 , 你要是直接进行 print 的话 , 将会看到一个让人匪夷所思的内存地址哟 , 若你想要查看其内容呢 , 那就记得要用 list() 包裹一层的呀 , 或者老老实实地通过 for 循环去遍历一番。
2. 迭代器极具“娇气”特质, 一旦经历一遍遍历操作（或者施行 list 转换行为）, 便会被消耗殆尽, 倘若第二次再进行转换操作, 所得到的将会是一个空列表。故而, 要么预先通过 list() 函数将结果存储于变量之中, 要么从起始阶段就借助 list(map(...)) 方式一步达成目标。
第二个车间：，质检筛子
承担“挑货”工作, 要从一大堆数据当中, 先筛选出符合规定条件的, 再将那些不符合心意的给舍弃掉。
最经典的例子，从一堆人里挑出成年人：
persons = [ {"name": "张三", "age": 15}, {"name": "李四", "age": 16}, {"name": "王五", "age": 17}, {"name": "李华", "age": 18}, {"name": "赵六", "age": 19}, {"name": "孙七", "age": 20}, ] adults = list(filter(lambda p: p["age"] >= 18, persons)) print(adults) # 只剩李华、赵六、孙七需要留意, 所写的是p >= 18 , 并非p >= 18 , 这里表明, p是一整册所谓的"人事档案", 也就是字典, 你必须首先将档案翻开, 从中取出age这一栏, 之后再去进行大小比较直接拿一整本字典去比较, 必然会报错。
还有一项用于偷懒的巧妙法子: 朝着第一个参数径直传递None, 如此一来, 它便会自行将“假值”全部筛选出去。
data = [0, 1, '', 'Hello', [], (), 5] print(list(filter(None, data))) # [1, 'Hello', 5]0、把空字符串、空列表、空元组转变成布尔值, 其得到的结果都是False进而会自动地被丢弃；而除却这些之外的那些具有实际意义的值, 也就是真值将会统统被保留下来。在清理脏数据的时候, 运用这样的方式会异常便捷和爽快。
map以及另一个也返回迭代器, 且都存在可能“使用一回便耗尽”情况的, 它们之间的区别在于, map不会改变元素数量, 而另一个则有可能使数量减少。牢记这一点, 能够减少半小时的调试时间。
第三个车间：，重新排队
承担排序工作, 并且它和前面的那两个存在差异, 直接返回的是一个列表, 无需你再进行list()转换, 拿到便能够使用。
names = ['python', 'go', 'java'] print(sorted(names, key=len)) # ['go', 'java', 'python'] print(sorted(names, key=len, reverse=True)) # ['python', 'java', 'go']默认排序, 是依字符, 按其编码来进行排列的, 所以, ‘go’会排在最前面, 然而, 一旦添加了key=len , 那么排序方式就被改成了按照字符串长度进行排列, key这个参数所具备的能力, 便是能够让你去指定按照什么来进行排列。
排序字典列表也靠它。比如按年龄给一群人排队：
print(sorted(persons, key=lambda p: p["age"])) # 想要从大到小？加个 reverse=True 就行顺带提及一下两个亲属, max以及min同样能够运用key。要寻觅年纪最为大的那个人, 要寻觅年纪最为小的那个人。
print(max(persons, key=lambda p: p["age"])) # 李华（20岁） print(min(persons, key=lambda p: p["age"])) # 张三（15岁）在一句话当中, 一旦涉及到“比大小、挑极值、排顺序”这些情况, 首先要去思索 / max / min 再加上 key。
第四个车间：，打包机
前面的三个均为“一对多”或者“多对多”, 与之相反的做法是——将一堆数据如同滚雪球般地进行合并, 从而形成一个结果。在生活当中, 这就好比是挨个把散装零件放进同一个箱子, 最终只交给你一个箱子。
它比较特殊，不能直接用，得先从 模块请过来：
from functools import reduce nums = [1, 2, 3, 4, 5] total = reduce(lambda a, b: a + b, nums) print(total) # 15它采用如下运行逻辑, 先是抓取前面的两个数字, 也就是数字1与数字2, 将它们相加从而得到结果3, 接着, 把这个结果3与下一个数字3进行相加, 最终得出6, 之后6再去加上数字4, 得出变为10, 10加上数字5得到15。之后每一次所得到的“和”都会转变成为下一轮的a, 而新加入的元素则当作b, 如此这般, 直到这个队伍全部处理完毕。
你还能传第三个参数当"初始值"：
print(reduce(lambda a, b: a + b, nums, 10)) # 25这回, 首次进行的计算是 10 加上 1, 此举等同于预先朝着箱子之中放入了一件作为根基铺垫的货物。
进行换行操作后, 将加号转变为乘号, 瞬间就成为求乘积的计算；把数字替换为字符串, 便形成了拼接。
words = ['ab', 'cd', 'ef'] print(reduce(lambda a, b: a + b, words)) # 'abcdef'记好了, 给你交予的那个合并函数, 始终都仅仅能够收纳两个参数（也就是a和b）, 倘若多写哪怕一个, 都不会有人传给你, 直接就会报错。千万不要贪心。
四件套合体，记住这张表
回头看，它们其实对应了数据处理的四种本能动作：
• 要统一加工 → map
• 要挑三拣四 →
• 要排排坐 →
• 要合并汇总 →
当再次拿到那一堆呈现出紊乱状态的数据时, 不要急急忙忙地去编写for循环。首先, 在内心之中从头到尾梳理一遍, 所面临的需求究竟是对数据进行加工处理、进行筛选操作、进行排序动作、抑或是进行合并工作呢? 然后, 找准对应的车间, 将数据传递进去, 如此一来, 代码量减少了, 思维逻辑也变得清晰明了了。
我们来探讨一下, map以及返回的迭代器究竟是什么东西。为何它使用一次就会消失不见了呢? 关于这个在下一篇专题拆解。若感觉内容有用, 无妨先去点个赞收藏起来, 后续运用的时候随手翻找出来便可。
