Python学习4：生成器、lamda表达式及map、reduce、filter函数

在讲解map、reduce、filter函数之前，我们先来了解一下迭代器对象(iterable object)和生成器的相关概念

1. 迭代对象(iterable object)

迭代对象是这样一个对象，它包含有一个next()方法(__next__()方法，在Python 3x中)， 这个方法的目的是进行到下一个结果，而在结束一系列结果之后，抛出StopIteration错误。

当一个循环结构（比如for）调用循环对象时，它就会每次循环的时候调用next()方法，直到StopIteration出现，for循环接收到，就知道循环已经结束，停止调用next()。

假设我们有test.txt文件，里面包含以下内容：

[python] view plain copy

1. 123  
2. abc  
3. 456  

当我们调用：

>>>f.open('test.txt')

>>>f.next()

>>>f.next()

..

不断地输入f.next()，直到最后出现StopIteration

open()返回的实际上是一个循环对象，包含有next()方法。而该next()方法每次返回的就是新的一行的内容，到达文件结尾时举出StopIteration。这样，我们相当于手工进行了循环。

自动进行的话，就是：

[python] view plain copy

1. for line in open('test.txt'):  
2.     print line  

在这里，for结构自动调用next()方法，将该方法的返回值赋予给line。循环知道出现StopIteration的时候结束。

相对于序列，用迭代对象来控制循环的好处在于：可以不用在循环刚开始的时候，就生成所有的元素。所使用的元素在循环过程中逐次生成。这样，就节省了空间，提高了效率，并提高编程的灵活性。

iter()函数和迭代器(iterator)

从技术上来说，迭代对象和for循环调用之间还有一个中间层，就是要将迭代对象转换成迭代器(iterator)。这一转换是通过使用iter()函数实现的。但从逻辑层面上，常常可以忽略这一层，所以迭代对象和迭代器常常相互指代对方。

2. 生成器(generator)

生成器的主要目的是构成一个用户自定义的循环对象。

生成器的编写方法和函数定义类似，只是在return的地方改为yield。生成器中可以有多个yield。当生成器遇到一个yield时，会暂停运行生成器，返回yield后面的值。当再次调用生成器的时候，会从刚才暂停的地方继续运行，直到下一个yield。生成器自身又构成一个迭代器，每次迭代时使用一个yield返回的值。

[python] view plain copy

1. def gen():  
2.     a = 100  
3.     yield a  
4.     a = a*8  
5.     yield a  
6.     yield 1000  

该生成器共有三个yield， 如果用作循环器时，会进行三次循环。
[python] view plain copy

1. for i in gen():  
2.     print i  

再考虑如下一个生成器:

[python] view plain copy

1. def gen():  
2.     for i in range(4):  
3.         yield i  

3.生成器表达式

    当序列过长， 而每次只需要获取一个元素时，应当考虑使用生成器表达式而不是列表解析。因为列表解析返回一个列表，而生成器表达式则返回一个生成器，节约内存，效率更高。

生成器表达式的语法和列表解析一样，只不过生成器表达式是被（）括起来的，而不是[]

上述生成器又可以写成 生成器表达式(Generator Expression) :

[python] view plain copy

1. G = (x for x in range(4))  

4. filter()

filter(bool_func,seq)：此函数的功能相当于过滤器，调用一个布尔函数bool_func来迭代遍历每个seq中的元素；返回一个使bool_seq返回值为true的元素的序列。

     例如：

[python] view plain copy

1. >>> filter(lambda x : x%2 == 0,[1,2,3,4,5])    
2. [2, 4]    

5. map()

map(func,seq)：将seq中的元素依次执行func(item)，将结果组成一个list返回；如果func为None，func表现为身份函数，返回一个含有每个序列中元素集合的n个元组的列表。

[python] view plain copy

1. >>> map(lambda x : None,[1,2,3,4])    
2. [None, None, None, None]    
3. >>> map(lambda x : x * 2,[1,2,3,4])    
4. [2, 4, 6, 8]    
5. >>> map(lambda x : x * 2,[1,2,3,4,[5,6,7]])    
6. [2, 4, 6, 8, [5, 6, 7, 5, 6, 7]]    
7. >>> map(lambda x : None,[1,2,3,4])    
8. [None, None, None, None]   

另外map也支持多个sequence，这就要求function也支持相应数量的参数输入：

[python] view plain copy

1. >>> def add(x, y): return x+y   
2. >>> map(add, range(8), range(8))   
3. [0, 2, 4, 6, 8, 10, 12, 14]  

6. reduce()

reduce(func,seq[,init])：func为二元函数，将func作用于seq序列的元素，每次携带一对（先前的结果以及下一个序列的元素），连续的将现有的结果和下一个值做运算，然后再将得到的结果作用随后的序列元素上，最终返回一个单一值。如果初始值init给定，第一个比较会是init和第一个序列元素而不是序列的头两个元素。

[python] view plain copy

1. >>> reduce(lambda x,y : x + y,[1,2,3,4])    
2. 10    
3. >>> reduce(lambda x,y : x + y,[1,2,3,4],10)    
4. 20    

[python] view plain copy

1. >>> def add(x,y): return x + y   
2. >>> reduce(add, range(1, 11))   
3. 55 （注：1+2+3+4+5+6+7+8+9+10）  
4. >>> reduce(add, range(1, 11), 20)   
5. 75 （注：1+2+3+4+5+6+7+8+9+10+20）  

lambda： 这是Python支持一种有趣的语法，它允许你快速定义单行的最小函数，类似与C语言中的宏，这些叫做lambda的函数，是从LISP借用来的，可以用在任何需要函数的地方：

[python] view plain copy

1. >>> g = lambda x: x * 2   
2. >>> g(3)   
3. 6 <span style="font-size:12px;">  
4. >>> (lambda x: x * 2)(3) </span>  
5. 6  

7. 函数作为参数传递

函数可以作为一个对象进行参数传递。函数名(比如func)即指向该对象，不需要括号。比如说:

[python] view plain copy

1. <span style="font-family:SimSun;font-size:12px;">def test(f, a, b):  
2.     print 'test'  
3.     print f(a, b)  
4.   
5. test(func, 3, 5)</span>  

我们可以看到，test函数的第一个参数f就是一个函数对象。我们将func传递给f，那么test中的f()所做的实际上就是func()所实现的功能。

这样，我们就大大提高了程序的灵活性。假设我们有另一个函数取代func，就可以使用相同的test函数了。如下:

[python] view plain copy

1. test((lambda x,y: x**2 + y), 6, 9)