匿名函数

python定义一个函数通常使用def关键词，后面跟函数名，然后是注释、代码块等。

def func():
'''注释'''
print('from func')

这样就在全局命名空间定义了一个叫func的函数，func表示函数体的内存地址，因为func指向函数体内存地址，所以可以通过func来调用函数。

那么匿名函数呢？从名字就可看出，匿名。想想就有点像以前小时候的佚名一样，带点说不清楚的神秘色彩，现在想来之所以感觉神秘可能是因为那时候不认识‘’佚‘’这个字。。。

强调:
匿名函数的定义就相当于只产生一个变量在值,而没有绑定任何名字,
所以会在定义完之后就被回收,无法重复使用,只能在定义时使用一次
应用:当某一个功能仅使用一次就没有再重复使用的必要了,就应该定义成匿名函数

言归正传，匿名和佚名一样没有名字或者不需要知道名字，对就是这么酷。

定义一个匿名函数使用lambda关键词，和def比较的话会发现其实定义逻辑很像。

lambda x: x**2

定义的匿名函数的意思是参数为x，返回x的平方，返回？怎么没看到return？因为lambd引号后面的值默认返回，所以没必要加return了，但是我一定要加呢？就是这么不讲道理。那么解释器只好报错了，因为你不认同我的语法，那我也没必要惯着你了。就是这么拽。

匿名函数的使用场景通常为使用一次就结束了，不会频繁的使用。而且匿名函数通常和python里面自带的高阶函数结合使用，在某些应用场景下会达到事倍功半的效果哦。

高阶函数

map

map的意思是地图的意思，由此引申出映射表示一一对应。

翻译过来的意思是：创建一个迭代器，使用每个迭代的参数计算函数。 当最短的可迭代用尽时停止。

map函数有两个参数，第一个为某种规则的函数，第二个位多个可迭代对象。

def func(x):
return x * 2
lis = [1, 2, 3, 4, 5, 6]
print(type(map(func, lis)))
print(list(map(func, lis)))

map函数把可迭代对象中的元素自动传给func，通过func的加工，得到一个生成器对象，通过list函数转化为一个列表。

当然，map函数可以接收多个可迭代对象，比如

def func(x, y):
return x + y
lis1 = [1,2,3,4,5,6]
lis2 = [2,3,4,5,6,7,8,9,10,11]
print(list(map(func, lis1,lis2)))
# 结果为[3, 5, 7, 9, 11, 13]

map函数会把后面迭代器对象中的元素迭代出来经过func加工，当最短的可迭代用尽是停止，所以只进行到6+7就结束了。

reduce

reduce是减少、合并的意思，会把可迭代对象中的元素经过函数的加工进而产生新的结果。

翻译过来就是：从左到右累加两个参数的函数到序列的项目，以便将序列减少为单个值。例如，reduce（lambda x，y：x + y，[1,2,3] ，4,5]计算（（（（（1 + 2）+3）+4）+5）。如果存在初始值，则将其放置在计算中序列的项之前，并在序列为空时用作默认值。

reduce函数有三个参数，函数和序列都是必须参数，初始值为可选参数。

应用：比如求1-100的和

from functools import reduce
def func(x, y):
return x+y
print(reduce(func, [i for i in range(1,101)]))
# 结果为 5050

filter

filter的意思为过滤，通过函数的返回值对序列进行过滤。

翻译过来：返回一个迭代器，产生函数（item）为真的迭代项。 如果函数为None，则返回结果为真的项。

def func(x):
return x.isdigit()
lis = ['12', 'ad', '34', 'bc', '46']
print(list(filter(func, lis)))
# 结果为 ['12', '34', '46']

filter过滤结果为真的值放进迭代器中。

高阶函数和匿名函数

map和匿名函数

在之前map函数中的func参数都是定义了一个有名参数，然后用函数名传入map函数的，有了匿名函数就不用这么麻烦了。

lis = [1, 2, 3, 4, 5, 6]
print(list(map(lambda x: x*2, lis)))
# 结果为 [2, 4, 6, 8, 10, 12]

reduce和匿名函数

print(reduce(lambda x, y: x + y, [i for i in range(101)], 100))
# 输出结果为 5050

filter和匿名函数

sala = {
'MAC': 30000,
'iPhone': 9000,
'lenovo': 10000,
'xiaomi': 3000
}
print(list(filter(lambda x: sala[x] > 5000, sala)))
# 输出结果为 [‘iPhone', 'lenovo']

匿名函数的使用场景较为单一，一次性使用，随用随时定义。在某些场景下和高阶函数结合会提升效率，同时使代码更加简洁。

递归

一 递归调用的定义

递归调用时函数嵌套调用的一种特殊形式，函数在调用时，直接或间接地调用了自身，就是递归调用。

# 直接调用自身
def f1():
print('from f1')
f1()
f1()

# 间接调用自身
def f1():
print('from f1')
f2()

def f2():
print('from f1')
f1()
f2()

# 调用函数会产生局部的名称空间，占用内存，因为上述这种调用会无限调用自身，python解释器的内存管理机制为了防止无限占用内存，对函数的递归调用做了层级限制，可以通过代码修改最大层级限制。
import sys
sys.setrecursionlimit(100000)

二 递归调用的两个阶段

递归调用包含两个明确的阶段：回溯，递推

• 回溯就是从外向里一层一层递归调用下去，回溯阶段必须要有一个明确的结束条件（不然会成为死循环），每进入下一次递归时，问题的规模都应该有所减少。

• 递推就是从里向外一层层结束递归。

• 递归效率不高，递归层次过多会导致栈溢出（在计算机中，函数调用是通过栈实现的，每当进入一个函数调用，在栈下面会加一层栈帧，每当函数返回，栈就会减一层栈帧。由于栈的大小不是无限的，所以递归调用次数过多，会导致栈溢出）

三 二分法

从一个排序的数字列表中找到指定的数字，使用遍历的效率太低，使用二分法可以极大地缩小问题规模。

1. 实现in的效果

   nums = [1,5,12,23,34,46,59,99,443]
   
   def fucn(num, nums):
   if len(nums) == 0:
   return
   mid_index = len(nums) // 2
   if num > nums[mid_index]:
   nums = nums[mid_index+1:]
   fucn(num, nums)
   
   elif num < nums[mid_index]:
   nums = nums[:mid_index]
   fucn(num,nums)
   else:
   print('not exis')

2. 实现index的效果

   nums = [1, 13, 15, 23, 27, 31, 33, 57, 73, 81, 93, 94, 97, 101]  # 从小到大排列的数字列表
   def binary_search(find_num,nums):
   print(nums)
   if len(nums) == 0:
   print('not exists')
   return
   
   # 功能
   mid_index = len(nums) // 2
   if find_num > nums[mid_index]:
   # in the right
   nums=nums[mid_index+1:]
   # 重新运行功能,传入新列表
   binary_search(find_num,nums)
   elif find_num < nums[mid_index]:
   # in the left
   nums=nums[:mid_index]
   # 重新运行功能,传入新列表
   binary_search(find_num,nums)
   else:
   print('find it')
   
   binary_search(95,nums)