CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章鲜为人知的 Python 5种高级特征由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

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.

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。 

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. filterfiltered_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)) 

原文地址：https://mp.weixin.qq.com/s/tF7JewtUN51GUlhUHsYnDA 。

最后此篇关于鲜为人知的 Python 5种高级特征的文章就讲到这里了,如果你想了解更多关于鲜为人知的 Python 5种高级特征的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。