Python的高級特征妳知多少？來對比看看
機器之心
人工智能信息服務平臺
來自專欄機器之心
Python 多好用不用多說，大家看看自己用的語言就知道了。但是 Python 隱藏的高級功能妳都 get 了嗎？本文中，作者列舉了 Python 中五種略高級的特征以及它們的使用方法，快來壹探究竟吧！
選自towardsdatascience，作者：George Seif，機器之心編譯。
Python 是壹種美麗的語言，它簡單易用卻非常強大。但妳真的會用 Python 的所有功能嗎？
任何編程語言的高級特征通常都是通過大量的使用經驗才發現的。比如妳在編寫壹個復雜的項目，並在 stackoverflow 上尋找某個問題的答案。然後妳突然發現了壹個非常優雅的解決方案，它使用了妳從不知道的 Python 功能！
這種學習方式太有趣了：通過探索，偶然發現什麽。
下面是 Python 的 5 種高級特征，以及它們的用法。
Lambda 函數
Lambda 函數是壹種比較小的匿名函數——匿名是指它實際上沒有函數名。
Python 函數通常使用 def a_function_name() 樣式來定義，但對於 lambda 函數，我們根本沒為它命名。這是因為 lambda 函數的功能是執行某種簡單的表達式或運算，而無需完全定義函數。
lambda 函數可以使用任意數量的參數，但表達式只能有壹個。
x = lambda a, b : a * b print(x(5, 6)) # prints '30' x = lambda a : a*3 + 3 print(x(3)) # prints '12'
看它多麽簡單！我們執行了壹些簡單的數學運算，而無需定義整個函數。這是 Python 的眾多特征之壹，這些特征使它成為壹種幹凈、簡單的編程語言。
Map 函數
Map() 是壹種內置的 Python 函數，它可以將函數應用於各種數據結構中的元素，如列表或字典。對於這種運算來說，這是壹種非常幹凈而且可讀的執行方式。
def square_it_func(a): return a * a x = map(square_it_func, [1, 4, 7]) print(x) # prints '[1, 16, 47]' def multiplier_func(a, b): return a * b x = map(multiplier_func, [1, 4, 7], [2, 5, 8]) print(x) # prints '[2, 20, 56]'看看上面的示例！我們可以將函數應用於單個或多個列表。實際上，妳可以使用任何 Python 函數作為 map 函數的輸入，只要它與妳正在操作的序列元素是兼容的。
Filter 函數
filter 內置函數與 map 函數非常相似，它也將函數應用於序列結構（列表、元組、字典）。二者的關鍵區別在於 filter() 將只返回應用函數返回 True 的元素。
詳情請看如下示例：
# Our numbers numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15] # Function that filters out all numbers which are odd def filter_odd_numbers(num): if num % 2 == 0: return True else: return False filtered_numbers = filter(filter_odd_numbers, numbers) print(filtered_numbers) # filtered_numbers = [2, 4, 6, 8, 10, 12, 14]
我們不僅評估了每個列表元素的 True 或 False，filter() 函數還確保只返回匹配為 True 的元素。非常便於處理檢查表達式和構建返回列表這兩步。
Itertools 模塊
Python 的 Itertools 模塊是處理叠代器的工具集合。叠代器是壹種可以在 for 循環語句（包括列表、元組和字典）中使用的數據類型。
使用 Itertools 模塊中的函數讓妳可以執行很多叠代器操作，這些操作通常需要多行函數和復雜的列表理解。關於 Itertools 的神奇之處，請看以下示例：
from itertools import * # Easy joining of two lists into a list of tuples for i in izip([1, 2, 3], ['a', 'b', 'c']): print i # ('a', 1) # ('b', 2) # ('c', 3) # The count() function returns an interator that # produces consecutive integers, forever. This # one is great for adding indices next to your list # elements for readability and convenience for i in izip(count(1), ['Bob', 'Emily', 'Joe']): print i # (1, 'Bob') # (2, 'Emily') # (3, 'Joe') # The dropwhile() function returns an iterator that returns # all the elements of the input which come after a certain # condition becomes false for the first time. def check_for_drop(x): print 'Checking: ', x return (x > 5) for i in dropwhile(should_drop, [2, 4, 6, 8, 10, 12]): print 'Result: ', i # Checking: 2 # Checking: 4 # Result: 6 # Result: 8 # Result: 10 # Result: 12 # The groupby() function is great for retrieving bunches # of iterator elements which are the same or have similar # properties a = sorted([1, 2, 1, 3, 2, 1, 2, 3, 4, 5]) for key, value in groupby(a): print(key, value), end=' ') # (1, [1, 1, 1]) # (2, [2, 2, 2]) # (3, [3, 3]) # (4, [4]) # (5, [5])
Generator 函數
Generator 函數是壹個類似叠代器的函數，即它也可以用在 for 循環語句中。這大大簡化了妳的代碼，而且相比簡單的 for 循環，它節省了很多內存。
比如，我們想把 1 到 1000 的所有數字相加，以下代碼塊的第壹部分向妳展示了如何使用 for 循環來進行這壹計算。
如果列表很小，比如 1000 行，計算所需的內存還行。但如果列表巨長，比如十億浮點數，這樣做就會出現問題了。使用這種 for 循環，內存中將出現大量列表，但不是每個人都有無限的 RAM 來存儲這麽多東西的。Python 中的 range() 函數也是這麽幹的，它在內存中構建列表。
代碼中第二部分展示了使用 Python generator 函數對數字列表求和。generator 函數創建元素，並只在必要時將其存儲在內存中，即壹次壹個。這意味著，如果妳要創建十億浮點數，妳只能壹次壹個地把它們存儲在內存中！Python 2.x 中的 xrange() 函數就是使用 generator 來構建列表。
上述例子說明：如果妳想為壹個很大的範圍生成列表，那麽就需要使用 generator 函數。如果妳的內存有限，比如使用移動設備或邊緣計算，使用這壹方法尤其重要。
也就是說，如果妳想對列表進行多次叠代，並且它足夠小，可以放進內存，那最好使用 for 循環或 Python 2.x 中的 range 函數。因為 generator 函數和 xrange 函數將會在妳每次訪問它們時生成新的列表值，而 Python 2.x range 函數是靜態的列表，而且整數已經置於內存中，以便快速訪問。
# (1) Using a for loopv numbers = list() for i in range(1000): numbers.append(i+1) total = sum(numbers) # (2) Using a generator def generate_numbers(n): num, numbers = 1, [] while num < n: numbers.append(num) num += 1 return numbers total = sum(generate_numbers(1000)) # (3) range() vs xrange() total = sum(range(1000 + 1)) total = sum(xrange(1000 + 1))