任何編程語言的高級特征通常都是通過大量的使用經驗才發現的。比如你在編寫一個復雜的項目，并在 stackoverflow 上尋找某個問題的答案。然后你突然發現了一個非常優雅的解決方案，它使用了你從不知道的 Python 功能！

[[409881]]

這種學習方式太有趣了：通過探索，偶然發現什么。

下面是 Python 的 5 種高級特征，以及它們的用法。

Lambda 函數

Lambda 函數是一種比較小的匿名函數——匿名是指它實際上沒有函數名。

Python 函數通常使用 def a_function_name() 樣式來定義，但對于 lambda 函數，我們根本沒為它命名。這是因為 lambda 函數的功能是執行某種簡單的表達式或運算，而無需完全定義函數。

lambda 函數可以使用任意數量的參數，但表達式只能有一個。 

x = lambda a, b : a * b  
print(x(5, 6)) # prints  30  
x = lambda a : a*3 + 3  
print(x(3)) # prints  12 

看它多么簡單！我們執行了一些簡單的數學運算，而無需定義整個函數。這是 Python 的眾多特征之一，這些特征使它成為一種干凈、簡單的編程語言。

Map 函數

Map() 是一種內置的 Python 函數，它可以將函數應用于各種數據結構中的元素，如列表或字典。對于這種運算來說，這是一種非常干凈而且可讀的執行方式。 

def square_it_func(a):  
    return a * a  
x = map(square_it_func, [1, 4, 7])  
print(x) # prints  [1, 16, 47]  
def multiplier_func(a, b):  
    return a * b  
x = map(multiplier_func, [1, 4, 7], [2, 5, 8])  
print(x) # prints  [2, 20, 56] 看看上面的示例！我們可以將函數應用于單個或多個列表。實際上，你可以使用任何 Python 函數作為 map 函數的輸入，只要它與你正在操作的序列元素是兼容的。 

Filter 函數

filter 內置函數與 map 函數非常相似，它也將函數應用于序列結構（列表、元組、字典）。二者的關鍵區別在于 filter() 將只返回應用函數返回 True 的元素。

詳情請看如下示例： 

# Our numbers  
numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]  
# Function that filters out all numbers which are odd  
def filter_odd_numbers(num):  
    if num % 2 == 0:  
        return True  
    else:  
        return False  
filterfiltered_numbers = filter(filter_odd_numbers, numbers)  
print(filtered_numbers)  
# filtered_numbers = [2, 4, 6, 8, 10, 12, 14] 

我們不僅評估了每個列表元素的 True 或 False，filter() 函數還確保只返回匹配為 True 的元素。非常便于處理檢查表達式和構建返回列表這兩步。

Itertools 模塊

Python 的 Itertools 模塊是處理迭代器的工具集合。迭代器是一種可以在 for 循環語句（包括列表、元組和字典）中使用的數據類型。

使用 Itertools 模塊中的函數讓你可以執行很多迭代器操作，這些操作通常需要多行函數和復雜的列表理解。關于 Itertools 的神奇之處，請看以下示例： 

from itertools import *  
# Easy joining of two lists into a list of tuples  
for i in izip([1, 2, 3], [ a ,  b ,  c ]):  
    print i  
# ( a , 1)  
# ( b , 2)  
# ( c , 3)  
# The count() function returns an interator that   
# produces consecutive integers, forever. This   
# one is great for adding indices next to your list   
# elements for readability and convenience  
for i in izip(count(1), [ Bob ,  Emily ,  Joe ]):  
    print i 
# (1,  Bob )  
# (2,  Emily )  
# (3,  Joe )      
# The dropwhile() function returns an iterator that returns   
# all the elements of the input which come after a certain   
# condition becomes false for the first time.   
def check_for_drop(x):  
    print  Checking:  , x  
    return (x > 5)  
for i in dropwhile(should_drop, [2, 4, 6, 8, 10, 12]):  
    print  Result:  , i  
# Checking: 2  
# Checking: 4  
# Result: 6  
# Result: 8  
# Result: 10  
# Result: 12  
# The groupby() function is great for retrieving bunches  
# of iterator elements which are the same or have similar   
# properties  
a = sorted([1, 2, 1, 3, 2, 1, 2, 3, 4, 5])  
for key, value in groupby(a):  
    print(key, value), end=   )  
# (1, [1, 1, 1])  
# (2, [2, 2, 2])   
# (3, [3, 3])   
# (4, [4])   
# (5, [5])  

Generator 函數

Generator 函數是一個類似迭代器的函數，即它也可以用在 for 循環語句中。這大大簡化了你的代碼，而且相比簡單的 for 循環，它節省了很多內存。

比如，我們想把 1 到 1000 的所有數字相加，以下代碼塊的第一部分向你展示了如何使用 for 循環來進行這一計算。

如果列表很小，比如 1000 行，計算所需的內存還行。但如果列表巨長，比如十億浮點數，這樣做就會出現問題了。使用這種 for 循環，內存中將出現大量列表，但不是每個人都有無限的 RAM 來存儲這么多東西的。Python 中的 range() 函數也是這么干的，它在內存中構建列表。

代碼中第二部分展示了使用 Python generator 函數對數字列表求和。generator 函數創建元素，并只在必要時將其存儲在內存中，即一次一個。這意味著，如果你要創建十億浮點數，你只能一次一個地把它們存儲在內存中！Python 2.x 中的 xrange() 函數就是使用 generator 來構建列表。

上述例子說明：如果你想為一個很大的范圍生成列表，那么就需要使用 generator 函數。如果你的內存有限，比如使用移動設備或邊緣計算，使用這一方法尤其重要。

也就是說，如果你想對列表進行多次迭代，并且它足夠小，可以放進內存，那最好使用 for 循環或 Python 2.x 中的 range 函數。因為 generator 函數和 xrange 函數將會在你每次訪問它們時生成新的列表值，而 Python 2.x range 函數是靜態的列表，而且整數已經置于內存中，以便快速訪問。 

# (1) Using a for loopv  
numbers = list()  
for i in range(1000):  
    numbers.append(i+1)  
total = sum(numbers)  
# (2) Using a generator  
 def generate_numbers(n): 
     num, numbers = 1, []  
     while num < n:  
           numbers.append(num)  
     num += 1  
     return numbers  
 total = sum(generate_numbers(1000))  
 # (3) range() vs xrange()  
 total = sum(range(1000 + 1))  
 total = sum(xrange(1000 + 1))