12-1 lambda表达式
匿名函数：定义函数得时候不需要定义函数名：
#普通函数
def add(x,y):
return x + y
#匿名函数
lambda x,y: x + y
调用匿名函数：
f = lambda x,y: x + y #赋值后可以调用
print(f(1,2))
lambda中只能进行简单的表达式操作，不能进行赋值操作。
12-2 三元表达式
格式为：条件为真时返回的结果 if 条件判断 else 条件为假时返回的结果
x = 2
y = 1
r = x if x > y else y
print(r)
#2
三元表达式在lambda中运用比较多。
12-3 map
map(函数，序列)，把序列中所有值依次传到函数中并依次接受返回结果组成一个list。
其实是一个函数的映射。
求平方：
list_x = [1,2,3,4,5,6,7,8]
def square(x):
return x * x
r = map(square,list_x)
print(list(r))
#[1, 4, 9, 16, 25, 36, 49, 64]
12-4 map与lambda
将map和lambda函数结合：
list_x = [1,2,3,4,5,6,7,8]
r = map(lambda x: x * x,list_x)
print(list(r))
接受多个参数：
list_x = [1,2,3,4,5,6,7,8]
list_y = [1,2,3,4,5,6,7,8]
r = map(lambda x,y: x * x + y,list_x,list_y)
print(list(r))
若个数不相等，不会报错，但只能计算到最少的那位。
12-5 reduce
做连续的计算，连续的调用lambda表达式。
reduce下的函数一定要有两个参数。
from functools import reduce
list_x = [1,2,3,4,5,6,7,8]
r = reduce(lambda x,y:x + y,list_x)
print(r)
#36
初始取前两位，之后将计算结果作为x传进去继续顺序取：
（（（1 + 2）+3） + 4）+ 5
继续做什么操作是lambda确定的，不仅只能够相加。
最后一位可以设定初始值，在第一次计算中就进行计算了：
r = reduce(lambda x,y:x + y,list_x,10)
大数据计算模型：map/reduce编程模型，映射/归约解决并行计算。
12-6 filter
filter可以过滤掉不符合规则的数据。
剔除数据为0的元素：
list_x = [1,0,0,1,0,1,1,0,1]
r = filter(lambda x: True if x == 1 else False,list_x)
print(list(r))
#[1, 1, 1, 1, 1]
简化为：
list_x = [1,0,0,1,0,1,1,0,1]
r = filter(lambda x: x ,list_x)
print(list(r))
#[1, 1, 1, 1, 1]
filter返回值的要是真和假才能完成过滤
12-7 命令式编程vs函数式编程
map reduce filter lambda 属于函数式编程
命令式编程涉及到 def if else for
函数式编程涉及到 map reduce filter lambda（算子）
map reduce filter理论上可以替换def if else for
函数式编程鼻祖：lisp，人工智能领域应用较多。
12-8 装饰器 一
用到最多的高阶知识。
import time
def f1():
print(time.time())
print('This is a function')
f1()
#1532404967.3804688 #Unix时间戳
3This is a function
如果很多的函数都要获取时间的功能：
import time
def f1():
print('This is a function')
def f2():
print('This is a function')
def print_current_time(func):
print(time.time())
func()
print_current_time(f1)
print_current_time(f2)
这种需求变更方案的缺点：打印时间的需求是属于每个函数本身的，并不是新增加的，并没有体现函数本身的特性。
这就是装饰器所要解决的问题。
12-9 装饰器 二
编写装饰器：
import time
def decorator(func):
def wrapper():
print(time.time())
func()
return wrapper
def f1():
print('This is a function')
f = decorator(f1) #f得到了return的wrapper
f()
12-10 装饰器 三
语法糖：
import time
def decorator(func):
def wrapper():
print(time.time())
func()
return wrapper
@decorator #@符号
def f1():
print('This is a function')
f1()
没有改变调用的逻辑也没有改变函数编码。是装饰器的意义所在。
@decorator相当于对f1()装饰。
AOP的编程思想
12-11 装饰器 四
带参函数的装饰器：
import time
def decorator(func):
def wrapper(func_name):
print(time.time())
func(func_name)
return wrapper
@decorator
def f1(func_name):
print('This is a function named' + func_name)
f1('test_func')
若多个函数接受不同数量的参数：
import time
def decorator(func):
def wrapper(*args):
print(time.time())
func(*args)
return wrapper
@decorator
def f1(func_name):
print('This is a function named' + func_name)
@decorator
def f2(func_name1,func_name2):
print(func_name1 + func_name2)
f1('test_func')
f2('123','234') #可以支持不同参数个数的函数
12-12 装饰器 五
*args不支持**关键字参数
支持关键字参数：
import time
def decorator(func):
def wrapper(*args,**kw): #加入**kw，较为完整
print(time.time())
func(*args,**kw)
return wrapper
@decorator
def f1(func_name):
print('This is a function named' + func_name)
@decorator
def f2(func_name1,func_name2):
print(func_name1 + func_name2)
@decorator
def f3(func_name1,func_name2,**kw):
print(func_name1 + func_name2)
print(kw)
f1('test_func')
f2('123','234')
f3('123','234',a = 1, b = 2,c = '123')
#1532408656.565761
#This is a function namedtest_func
#1532408656.5667255
#123234
#1532408656.5677273
#123234
#{'a': 1, 'b': 2, 'c': '123'}
func(*args,**kw)这个形式，无论什么方式都可以调用。
12-13 装饰器 六
如果想对某个封装单元修改，可以加上装饰器。
不需要破坏代码实现，易于代码复用。
一个函数能够有多个装饰器。
需要验证身份的函数上加上专门的装饰器之类的用途。
我的个人博客：www.unconstraint.cn