Python 隐藏的高级功能你都 get 到了吗?

Python 多好用不用多说，大家看看自己用的语言就知道了。但是 Python 隐藏的高级功能你都 get 了吗?本文中，列举了 Python 中五种略高级的特征以及它们的使用方法，快来一探究竟吧!

Python 是一种美丽的语言，它简单易用却非常强大。但你真的会用 Python 的所有功能吗?

任何编程语言的高级特征通常都是通过大量的使用经验才发现的。比如你在编写一个复杂的项目，并在 stackoverflow 上寻找某个问题的答案。然后你突然发现了一个非常优雅的解决方案，它使用了你从不知道的 Python 功能!

这种学习方式太有趣了：通过探索，偶然发现什么。这里推荐一下我们的Python学习扣qun：784,758,214，这里是python学习者聚集地

下面是 Python 的 5 种高级特征，以及它们的用法。

**Lambda 函数**

Lambda 函数是一种比较小的匿名函数——匿名是指它实际上没有函数名。

Python 函数通常使用 def a_function_name() 样式来定义，但对于 lambda 函数，我们根本没为它命名。这是因为 lambda 函数的功能是执行某种简单的表达式或运算，而无需完全定义函数。

lambda 函数可以使用任意数量的参数，但表达式只能有一个。

1. x = lambda a, b : a * b 
2. print(x(5, 6)) # prints '30' 
3. x = lambda a : a*3 + 3 
4. print(x(3)) # prints '12' 

看它多么简单!我们执行了一些简单的数学运算，而无需定义整个函数。这是 Python 的众多特征之一，这些特征使它成为一种干净、简单的编程语言。

**Map 函数**

Map() 是一种内置的 Python 函数，它可以将函数应用于各种数据结构中的元素，如列表或字典。对于这种运算来说，这是一种非常干净而且可读的执行方式。

1. def square_it_func(a): 
2. return a * a 
3. x = map(square_it_func, [1, 4, 7]) 
4. print(x) # prints '[1, 16, 47]' 
5. def multiplier_func(a, b): 
6. return a * b 
7. x = map(multiplier_func, [1, 4, 7], [2, 5, 8]) 
8. print(x) # prints '[2, 20, 56]'看看上面的示例！我们可以将函数应用于单个或多个列表。实际上，你可以使用任何 Python 函数作为 map 函数的输入，只要它与你正在操作的序列元素是兼容的。 

这里推荐一下我们的Python学习扣qun：784758214，这里是python学习者聚集地

**Filter 函数**

filter 内置函数与 map 函数非常相似，它也将函数应用于序列结构(列表、元组、字典)。二者的关键区别在于 filter() 将只返回应用函数返回 True 的元素。

详情请看如下示例：

1. Our numbers

2. numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15] 

3. Function that filters out all numbers which are odd

4. def filter_odd_numbers(num): 
5. if num % 2 == 0: 
6. return True 
7. else: 
8. return False 
9. filtered_numbers = filter(filter_odd_numbers, numbers) 
10. print(filtered_numbers) 

11. filtered_numbers = [2, 4, 6, 8, 10, 12, 14]

我们不仅评估了每个列表元素的 True 或 False，filter() 函数还确保只返回匹配为 True 的元素。非常便于处理检查表达式和构建返回列表这两步。

**Itertools 模块**

Python 的 Itertools 模块是处理迭代器的 工具 集合。迭代器是一种可以在 for 循环语句(包括列表、元组和字典)中使用的数据类型。

使用 Itertools 模块中的函数让你可以执行很多迭代器操作，这些操作通常需要多行函数和复杂的列表理解。关于 Itertools 的神奇之处，请看以下示例：

1. from itertools import * 

2. Easy joining of two lists into a list of tuples

3. for i in izip([1, 2, 3], ['a', 'b', 'c']): 
4. print i 

5. ('a', 1)

6. ('b', 2)

7. ('c', 3)

8. The count() function returns an interator that

9. produces consecutive integers, forever. This

10. one is great for adding indices next to your list

11. elements for readability and convenience

12. for i in izip(count(1), ['Bob', 'Emily', 'Joe']): 
13. print i 

14. (1, 'Bob')

15. (2, 'Emily')

16. (3, 'Joe')

17. The dropwhile() function returns an iterator that returns

18. all the elements of the input which come after a certain

19. condition becomes false for the first time.

20. def check_for_drop(x): 
21. print 'Checking: ', x 
22. return (x > 5) 
23. for i in dropwhile(should_drop, [2, 4, 6, 8, 10, 12]): 
24. print 'Result: ', i 

25. Checking: 2

26. Checking: 4

27. Result: 6

28. Result: 8

29. Result: 10

30. Result: 12

31. The groupby() function is great for retrieving bunches

32. of iterator elements which are the same or have similar

33. properties

34. a = sorted([1, 2, 1, 3, 2, 1, 2, 3, 4, 5]) 
35. for key, value in groupby(a): 
36. print(key, value), end=' ') 

37. (1, [1, 1, 1])

38. (2, [2, 2, 2])

39. (3, [3, 3])

40. (4, [4])

41. (5, [5])

**Generator 函数**

Generator 函数是一个类似迭代器的函数，即它也可以用在 for 循环语句中。这大大简化了你的代码，而且相比简单的 for 循环，它节省了很多内存。

比如，我们想把 1 到 1000 的所有数字相加，以下代码块的第一部分向你展示了如何使用 for 循环来进行这一计算。

如果列表很小，比如 1000 行，计算所需的内存还行。但如果列表巨长，比如十亿浮点数，这样做就会出现问题了。使用这种 for 循环，内存中将出现大量列表，但不是每个人都有无限的 RAM 来存储这么多东西的。Python 中的 range() 函数也是这么干的，它在内存中构建列表。

代码中第二部分展示了使用 Python generator 函数对数字列表求和。generator 函数创建元素，并只在必要时将其存储在内存中，即一次一个。这意味着，如果你要创建十亿浮点数，你只能一次一个地把它们存储在内存中!Python 2.x 中的 xrange() 函数就是使用 generator 来构建列表。

上述例子说明：如果你想为一个很大的范围生成列表，那么就需要使用 generator 函数。如果你的内存有限，比如使用移动设备或边缘计算，使用这一方法尤其重要。

也就是说，如果你想对列表进行多次迭代，并且它足够小，可以放进内存，那最好使用 for 循环或 Python 2.x 中的 range 函数。因为 generator 函数和 xrange 函数将会在你每次访问它们时生成新的列表值，而 Python 2.x range 函数是静态的列表，而且整数已经置于内存中，以便快速访问。

1. (1) Using a for loopv

2. numbers = list() 
3. for i in range(1000): 
4. numbers.append(i+1) 
5. total = sum(numbers) 

6. (2) Using a generator

7. def generate_numbers(n): 
8. num, numbers = 1, [] 
9. while num < n: 
10. numbers.append(num) 
11. num += 1 
12. return numbers 
13. total = sum(generate_numbers(1000)) 

14. (3) range() vs xrange()

15. total = sum(range(1000 + 1)) 
16. total = sum(xrange(1000 + 1))