这篇教程Python进阶之高级用法详细总结写得很实用，希望能帮到您。
一、Lambda表达式Lambda表达式又被称之为匿名函数
格式
lambda 参数列表：函数体 def add(x,y): return x+y print(add(3,4))#上面的函数可以写成Lambda函数add_lambda=lambda x,y:x+y add_lambda(3,4)
二、map函数函数就是有输入和输出，map的输入和输出对应关系如下图所示： 
就是要把一个可迭代的对象按某个规则映射到新的对象上。
因此map函数要有两个参数，一个是映射规则，一个是可迭代对象。 list1=[1,2,3,4,5]r=map(lambda x:x+x,list)print(list1(r)) 结果：[2,4,6,8,10]
m1=map(lambda x,y:x*x+y,[1,2,3,4,5],[1,2,3,4,5])print(list(ml)) 结果：[2,6,12,20,30]
三、filter函数filter的输入和输出对应关系如下图所示： 
def is_not_none(s): return s and len(s.strip())>0list2=['','','hello','xxxx', None,'ai']result=filter(is_not_none, list2)print(list(result)) 结果：[‘hello',‘xxxx',‘ai']
四、reduce函数
from functools import reducef=lambda x,y:x+y x=reduce(f,[1,2,3,4,5])print(r) 结果：15=1+2+3+4+5
相当于每一次计算都是基于前一次计算的结果： 
还可以为reduce计算添加初始值： from functools import reducef=lambda x,y:x+y x=reduce(f,[1,2,3,4,5],10)print(r) 结果：25=10+1+2+3+4+5
五、三大推导式
5.1 列表推导式list1=[1,2,3,4,5,6]f=map(lambda x:x+x,list1)print(list(f))list2=[i+i for i in list1]print(list2)list3=[i**3 for i in list1]print(list3)#筛选列表的例子list4=[i*4 for i in list1 if i>3]print(list4)#结果[2,4,6,8,10,12][2,4,6,8,10,12][1,8,27,64,125,216][16,25,36]
5.2 集合推导式直接把上面代码copy下来，然后把列表改成集合 list1={1,2,3,4,5,6}list2={i+i for i in list1}print(list2)list3={i**3 for i in list1}print(list3)#筛选列表的例子list4={i*4 for i in list1 if i>3}print(list4)#结果{2, 4, 6, 8, 10, 12}{64, 1, 8, 216, 27, 125}#这里是乱序的{16, 24, 20}
5.3 字典推导式s={"zhangsan":20,"lisi":15,"wangwu":31}#拿出所有的key，并变成列表s_key=[ key for key, value in s.items()]print(s_key)#结果['zhangsan','lisi','wangwu']# 交换key和value位置，注意冒号的位置s1={ value: key for key, value in s.items()}print(s1)#结果{20:'zhangsan',15:'1isi',31:'wangwu'}s2={ key: value for key, value in s.items() if key=="1isi"}print(s2)#结果{"lisi":15}
六、闭包闭包：一个返回值是函数的函数 import time def runtime(): def now_time(): print(time.time()) return now_time #返回值是函数名字f=runtime()#f就被赋值为一个函数now_time()了f()#运行f相当于运行now_time() 再来看一个带参数的例子：
假设有一个csv文件，内容有三行，具体如下： a,b,c,d,e
1,2,3,4,5
6,7,8,9,10 def make_filter(keep):# keep=8 def the_filter(file_name): file=open(file name)#打开文件 lines=file.readlines()#按行读取文件 file.close()#关闭文件 filter_doc=[i for i in lines if keep in i]#过滤文件内容 return filter_doc return the_filterfilter1=make_filter("8")#这一行调用了make_filter函数，且把8做为参数传给了keep，接受了the_filter函数作为返回值#这里的filter1等于函数the_filterfilter_result=filter1("data.csv")#把文件名data.csv作为参数传给了函数the_filterprint(filter_result)#结果['6,7,8,9,10']
七、装饰器、语法糖、注解# 这是获取函数开始运行时间的函数import time def runtime(func): def get_time(): print(time.time()) func()# run被调用 return get_time@runtimedef run() print('student run')#运行run()#结果当前时间student run 由于有装饰器@runtime的存在，会把run这个函数作为参数丢到runtime(func)里面去，如果调整打印时间代码的位置会有不同结果： # 这是获取函数结束运行时间的函数import time def runtime(func): def get_time(): func()# run被调用 print(time.time()) return get_time@runtimedef run() print('student run')#运行run()#结果student run 当前时间这里还要注意，这里还用到了闭包的概念，在运行run函数的时候，调用的实际上是get_time函数。 对于多个参数的函数如何调用，看下面例子 #有一个参数import time def runtime(func): def get_time(i): func(i)# run被调用 print(time.time()) return get_time@runtimedef run(i) print('student run')#运行run(1)#有两个参数import time def runtime(func): def get_time(i,j): func(i,j)# run被调用 print(time.time()) return get_time@runtimedef run(i,j) print('student run')#运行run(1,2)可以发现，这样写对于函数的多态不是很好，因此可以写为： #自动适配参数import time def runtime(func): def get_time(*arg): func(*arg)# run被调用 print(time.time()) return get_time@runtimedef run(i) print('student1 run')@runtimedef run(i,j) print('student2 run')#运行run(1)run(1,2)再次进行扩展，更为普适的写法，可以解决传入类似i=4的关键字参数写法： #自动适配参数import time def runtime(func): def get_time(*arg,**kwarg): func(*arg,**kwarg)# run被调用 print(time.time()) return get_time@runtimedef run(i) print('student1 run')@runtimedef run(*arg,**kwarg) print('student2 run')@runtimedef run() print('no param run')#运行run(1)run(1,2,j=4)run()到此这篇关于Python进阶之高级用法详细总结的文章就介绍到这了,更多相关Python高级用法内容请搜索51zixue.net以前的文章或继续浏览下面的相关文章希望大家以后多多支持51zixue.net！
pycharm利用pyspark远程连接spark集群的实现
keras修改backend的简单方法 |
