map、filter 与 reduce

map()、filter() 和 reduce() 可以把数据处理拆成清晰的步骤。它们常常和短小的 lambda 函数配合使用。

数据处理流水线

可以把一组数据想成一条数据处理流水线（data pipeline）：

• filter()：决定哪些元素留下。
• map()：把每个元素转换成新值。
• reduce()：把多个值合并成一个结果。

奇数平方和

下面的程序计算 0 到 9 中所有奇数的平方和。

from functools import reduce

numbers = list(range(10))
print("原始列表 =", numbers)

odds = list(filter(lambda x: x % 2 == 1, numbers))
print("奇数 =", odds)

squares = list(map(lambda x: x ** 2, odds))
print("平方 =", squares)

total = reduce(lambda x, y: x + y, squares)
print("总和 =", total)

原始列表 = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
奇数 = [1, 3, 5, 7, 9]
平方 = [1, 9, 25, 49, 81]
总和 = 165

理解 lambda

lambda 用来创建没有函数名的短函数，语法是 lambda 参数: 表达式。冒号左边写输入参数，右边只能写一个表达式；表达式算出的值会自动返回，因此不写 return。例如 lambda x: x ** 2 与只包含 return x ** 2 的普通函数作用相同。

def square(x):
    return x ** 2

square_lambda = lambda x: x ** 2
print(square(5))
print(square_lambda(5))

lambda 本身是一个函数对象：可以把它赋给变量，也可以直接传给 map、filter、sorted 等需要函数参数的工具。它也可以接收多个参数，例如 lambda x, y: x + y。

适合 lambda 的是“一眼能读懂的一条规则”，例如排序键 key=lambda item: item[1]。如果逻辑需要多步、循环、异常处理或解释性名称，就应使用普通 def。简短不是目标，可读性才是。