python回数过滤函数 python过滤出想要的数据

Python 之内置函数：filter、map、reduce、zip、enumerate

这几个函数在 Python 里面被称为高阶函数，本文主要学习它们的用法。

filter 函数原型如下：

第一个参数是判断函数（返回结果需要是 True 或者 False），第二个为序列，该函数将对 iterable 序列依次执行 function(item) 操作，返回结果是过滤之后结果组成的序列。

简单记忆：对序列中的元素进行筛选，获取符合条件的序列。

返回结果为： ，使用 list 函数可以输入序列内容。

map 函数原型如下：

该函数运行之后生成一个 list，第一个参数是函数、第二个参数是一个或多个序列；

下述代码是一个简单的测试案例：

上述代码运行完毕，得到的结果是： 。使用 print(list(my_new_list)) 可以得到结果。

map 函数的第一个参数，可以有多个参数，当这种情况出现后，后面的第二个参数需要是多个序列。

map 函数解决的问题：

reduce 函数原型如下：

第一个参数是函数，第二个参数是序列，返回计算结果之后的值。该函数价值在于滚动计算应用于列表中的连续值。

测试代码如下：

最终的结果是 6，如果设置第三个参数为 4，可以运行代码查看结果，最后得到的结论是，第三个参数表示初始值，即累加操作初始的数值。

简单记忆：对序列内所有元素进行累计操作。

zip 函数原型如下：

zip 函数将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。

如果各个迭代器的元素个数不一样，则返回列表长度与最短的对象相同，利用星号（ * ）操作符，可以将元组解压为列表。

测试代码如下：

展示如何利用 * 操作符：

输出结果如下：

简单记忆：zip 的功能是映射多个容器的相似索引，可以方便用于来构造字典。

enumerate 函数原型如下：

参数说明：

该函数用于将一个可遍历的数据对象组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中。

测试代码如下：

返回结果为： 。

本文涉及的函数可以与 lambda 表达式进行结合，能大幅度提高编码效率。最好的学习资料永远是官方手册

相关问答

Q1: Python中的eval()、filter()、float()函数有什么用？

Python解释器内置了许多函数，这意味着我们无需定义，始终可以它们。下面按照函数的字母顺序，讨论一些常用的内建函数。

eval()

eval()函数解析传给它的表达式，并在程序中运行Python表达式(代码)。举个例子：

 x = 1

 eval("x + 1")  # 注意："x + 1"是字符串

2

 eval("4  9")

True

 eval("'py' * 3")

'pypypy'

 eval("10 ** 2")

100

eval()函数不仅仅能运行简单表达式，还能调用函数，使用方法等等：

 eval("abs(-11)")        # 计算-11的绝对值

11

 eval('"hello".upper()')   # 把字符串'hello'全变成大写字母

'HELLO'

 import os

 eval('os.getcwd()')       # 获取当前的工作目录

'/home/thepythonguru'

但是需要注意的是eval()仅适用于表达式，尝试传递语句会导致语法错误：

 eval('a = 1')                    # 赋值语句

Traceback (most recent call last):

File "", line 1, in

File "", line 1

a = 1

^

SyntaxError: invalid syntax

 eval('import re')             # 导入语句

Traceback (most recent call last):

File "", line 1, in

File "", line 1

import re

^

SyntaxError: invalid syntax

此外，使用eval()语句应该十分小心，永远不要将不受信任的源直接传递给eval()。 因为恶意用户很容易对您的系统造成破坏。 例如:

 eval(input())  # eval()将执行用户输入的代码

用户输入以下代码就能从系统中删除所有文件：

os.system("RM -RF /")

# 上面输入相当于执行：

 eval('os.system("RM -RF /")')

filter()

"filter"的意思是“过滤”，filter()函数需要两个参数：一个函数对象和一个可迭代对象。函数对象需要返回一个布尔值，并为可迭代的每个元素调用。 filter()函数仅返回那些通过函数对象返回值为true的元素。解释有一些抽象，看一个例子：

 a = [1, 2, 3, 4, 5, 6]

 filter(lambda x : x % 2 == 0, a)        # 过滤出所有偶数，结果返回一个filter对象

filter object at 0x1036dc048

 list(filter(lambda x : x % 2 == 0, a))  # 可以使用list()函数使fileter对象变成列表，方便查看结果

[2, 4, 6]

下面是另外一个例子：

 dict_a = [{'name': 'python', 'points': 10}, {'name': 'java', 'points': 8}]

 filter(lambda x : x['name'] == 'python', dict_a)  # 过滤出列表中键'name'为值'python'的字典

filter object at 0x1036de128

 tuple(filter(lambda x : x['name'] == 'python', dict_a))  # 使用tuple()函数使结果变成字典

({'name': 'python', 'points': 10},)

float()

float()的参数是一个数字或者字符串，它返回一个浮点数。如果参数是字符串，则字符串中应该包含一个数字，并可以在数字前加入一个 '-' 符号，代表负数。参数也可以是表示NaN(非数字)或正无穷大的字符串。如果没有任何参数的话，将返回0.0。

 float('+1.23')         # 1.23

1.23

 float('   -12345\n')   # -12345

-12345.0

 float('1e-003')        # 0.001

0.001

 float('+1E6')          # 10的6次幂

1000000.0

 float('-Infinity')     # 无穷小

-inf

 float('-inf') + 100     # 负无穷小加100仍等于负无穷小

-inf

 float('inf')           # 无穷大

inf

 float('NaN')           # NaN，代表非数字

nan

关于Python的基础问题可以看下这个网页的视频教程，网页链接，希望我的回答能帮到你。

Q2: Python 数据处理（三十九）—— groupby（过滤）

filter 方法可以返回原始对象的子集.

例如，我们想提取分组内的和大于 3 的所有分组的元素

filter 的参数必须是一个函数，函数参数是每个分组，并且返回 True 或 False

例如，提取元素个数大于 2 的分组

另外，我们也可以过滤掉不满足条件的组，而是返回一个类似索引对象。在这个对象中，没有通过的分组的元素被 NaN 填充

对于具有多列的 DataFrames ，过滤器应明确指定一列作为过滤条件

在进行聚合或转换时，你可能想对每个分组调用一个实例方法，例如

但是，如果需要传递额外的参数时，它会变得很冗长。我们可以直接使用分派到组对象上的方法

实际上这生成了一个函数包装器，在调用时，它接受所有传递的参数，并在每个分组上进行调用。

然后，这个结果可以和 agg 和 transform 结合在一起使用

在上面的例子中，我们按照年份分组，然后对每个分组中使用 fillna 补缺失值

nlargest 和 nsmallest 可以在 Series 类型的 groupby 上使用

对分组数据的某些操作可能并不适合聚合或转换。或者说，你可能只是想让 GroupBy 来推断如何合并结果

我们可以使用 apply 函数，例如

改变返回结果的维度

在 Series 上使用 apply 类似

对于之前的示例数据

假设，我们想按 A 分组并计算组内的标准差，但是 B 列的数据我们并不关心。

如果我们的函数不能应用于某些列，则会隐式的删除这些列，所以

直接计算标准差并不会报错

可以使用分类变量进行分组，分组的顺序会按照分类变量的顺序

可以使用 pd.Grouper 控制分组，对于如下数据

可以按照一定的频率对特定列进行分组，就像重抽样一样

可以分别对列或索引进行分组

类似于 Series 和 DataFrame ，可以使用 head 和 tail 获取分组前后几行

在 Series 或 DataFrame 中可以使用 nth() 来获取第 n 个元素，也可以用于获取每个分组的某一行

如果你要选择非空项，可以使用关键字参数 dropna ，如果是 DataFrame ，需要指定为 any 或 all (类似于 DataFrame.dropna(how='any|all') )

与其他方法一样，使用 as_index=False 分组名将不会作为索引

你也可以传入一个整数列表，一次性选取多行

使用 cumcount 方法，可以查看每行在分组中出现的顺序

可以使用 ngroup() 查看分组的顺序，该顺序与 cumcount 的顺序相反。

注意 ：该顺序与迭代时的分组顺序一样，并不是第一次观测到的顺序

python回数过滤函数的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于python过滤出想要的数据、python回数过滤函数的信息别忘了在本站进行查找喔。