python map reduce的使用

本文深入探讨了Python中的高阶函数map和reduce的使用方法,包括如何利用map处理列表元素,以及reduce函数对列表进行累积操作,展示了这些函数在处理数据时的强大能力。
def square(x):
    return x*x
a=map(square,[1,2,3]) 
print(a)        
#输出为<map object at 0x0033CFB0>   可以看出map返回的实际上是一个map对象
print(list(a))  
#输出为[1, 4, 9]   通过list()方式 显示出来   

#也可以通过for循环来取出内容
ls=[]
for i in a:
    ls.append(i)
print(ls)
#输出为[1, 4, 9]

还可以传入多个参数:

ls1='123'
ls2='abc'
print(list(map(lambda x,y:x+y,ls1,ls2)))
#['1a', '2b', '3c']

如果参数长度不同 按照最短的:

def num(x,y):
    return (x + y)

result = map(num,[1,2,3,4,5,6,7],[1,2,3,4,])
print(list(result))

# [2, 4, 6, 8]

reduce

reduce()函数接收的参数和 map()类似,一个函数 fun,一个list,但行为和 map()不同,reduce()传入的函数 fun 必须接收两个参数,reduce()对list的每个元素反复调用函数fun,并返回最终结果值

reduce()可以接收第3个可选参数,作为计算的初始值。如果把初始值设为100,计算:
reduce(f, [1, 3, 5, 7, 9], 100)
结果为:125


from functools import reduce

ip = '1.2.24.2'
# num = map(int, ip.split('.'))
# print(list(num))
m = reduce(lambda x, y: (x << 8) + y, map(int, ip.split('.')))
print(m)


def add(x,y):
    return x+y


mm = reduce(add, [1, 2, 3, 4])
print(mm)

 

### 使用 `map` 和 `reduce` 函数 #### 关于 `map` 函数 在 Python 中,`map` 是一种内置函数,用于将指定的函数应用于可迭代对象中的每一个元素,并返回一个新的迭代器[^1]。其语法如下: ```python map(function, iterable) ``` 其中,`function` 表示要应用到每个元素上的操作逻辑,而 `iterable` 则是要处理的数据集合。 下面是一个简单的例子来展示如何使用 `map` 将列表中的所有数值加倍: ```python numbers = [1, 2, 3, 4] def double(x): return x * 2 doubled_numbers = list(map(double, numbers)) print(doubled_numbers) # 输出: [2, 4, 6, 8] ``` 在这个例子中,定义了一个名为 `double` 的简单函数并将其作为参数传递给 `map` 函数,从而实现了对原始数据集的操作。 #### 关于 `reduce` 函数 尽管 `reduce` 不像其他一些常用工具那样直接属于全局命名空间的一部分,但它仍然可以通过导入 functools 模块获得支持。此功能允许我们通过反复调用二元运算符(即接受两个输入值并产生单一输出结果的过程),逐步缩小序列范围直到只剩下一个最终答案为止[^2]。 以下是利用 `reduce` 来计算一系列整数乘积的一个实例演示: 首先需要引入必要的库: ```python from functools import reduce import operator ``` 接着可以这样写我们的程序代码部分: ```python product = reduce(operator.mul, [1, 2, 3], 1) print(product) # 结果应该是 '6' ``` 这里值得注意的是,在实际开发过程中虽然存在诸如最大最小查找或者求和之类的专用方法可能更加简便易懂;但是灵活运用 `reduce()` 同样能够完成多种复杂任务。 #### 可视化验证数据准备的例子 为了进一步理解这些概念的实际应用场景,考虑这样一个场景——当我们正在构建图像分类模型之前想要确认训练集中样本加载无误时,则可能会采用类似这样的方式来进行初步检验[^3]: ```python import matplotlib.pyplot as plt import numpy as np import torchvision # 假设 dataloader 已经被正确定义好... dataiter = iter(dataloader) images, labels = next(dataiter) def imshow(img): img = img / 2 + 0.5 # Undo normalization step. npimg = img.numpy() plt.imshow(np.transpose(npimg,(1,2,0))) plt.show() imshow(torchvision.utils.make_grid(images)) # Print out corresponding label names from CIFAR-10 dataset class indices. print(' '.join(f'{cifar10.classes[labels[j]]:5}' for j in range(len(labels)))) ``` 上述脚本片段展示了怎样结合 PyTorch 提供的功能以及标准绘图技术一起工作以便直观感受所获取批次内的几张随机图片及其类别标签信息。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值