Python学习笔记__4.1.1章 map/reduce

本文介绍了Python中的map和reduce函数的使用方法,并通过实例演示了如何利用这些函数完成字符串到整数的转换、列表元素首字母大写以及计算列表元素乘积等任务。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

# 这是学习廖雪峰老师python教程的学习笔记

1map函数

map() 函数接收两个参数,一个是函数,一个是Iterable,map将传入的函数依次作用到序列的每个元素,并把结果作为新的Iterator返回

# 比如有一个函数f(x)=x2,要把这个函数作用在一个list [1, 2, 3, 4, 5, 6, 7, 8, 9]上

>>> def f(x):

...     return x * x

list(map(f, [1, 2, 3, 4, 5, 6, 7, 8, 9]))  # 由于map返回的结果是Iterator,因此通过list()函数让它把整个序列都计算出来并返回一个list

 

2reduce函数

reduce把一个函数作用在一个序列[x1, x2, x3, ...]上,这个函数必须接收两个参数,reduce把结果继续和序列的下一个元素做累积计算。

reduce(f, [x1, x2, x3, x4]) = f(     f(   f(x1, x2),    x3),      x4)

# 将“13579” 变为 13579

from functools import reduce

DIGITS = {'0': 0, '1': 1, '2': 2, '3': 3, '4': 4, '5': 5, '6': 6, '7': 7, '8': 8, '9': 9}

 

方法一:

def str2int(s):

    def fn(x, y):

        return x * 10 + y

    def char2num(s):

        return DIGITS[s]  

    return reduce(fn, map(char2num, s))  # map(char2num, s)  将字符串转化为 单个int

方法二:

def char2num(s):

    return DIGITS[s]

 

def str2int(s):

    return reduce(lambda x, y: x * 10 + y, map(char2num, s))

# x, y:需要传入的参数

# x * 10 + y:计算式

map(char2num, s):list组,参数的来源

reduce:累积计算

 

2、例题

1、利用map()函数,list变为首字母大写,其他小写的规范。

输入:['adam', 'LISA', 'barT'],输出:['Adam', 'Lisa', 'Bart']:

# -*- coding: utf-8 -*-

def normalize(name):

 

    return str.capitalize(name)   #  str_capitailize(),将str转化为首字母大写其余小写

 

L1 = ['adam', 'LISA', 'barT']

L2 = list(map(normalize, L1))

print(L2)

 

 

2、Python提供的sum()函数可以接受一个list并求和,请编写一个prod()函数,可以接受一个list并利用reduce()求积:

# -*- coding: utf-8 -*-

from functools import reduce

def prod(L):

 

    return reduce(lambda x,y:x*y,L)

 

print('3 * 5 * 7 * 9 =', prod([3, 5, 7, 9]))

 

3、利用map和reduce编写一个str2float函数,把字符串'123.456'转换成浮点数123.456:

 

# -*- coding: utf-8 -*-

from functools import reduce

def str2float(s):

 

    digest={'1':1,'2':2,'3':3,'4':4,'5':5,'6':6}  # 定义str 对应的 int

    gt,lt=s.split('.')   # 切割字符,s.split('.'),以 . 为分割符

    length=len(lt)

    def char2sum(x):

        return digest[x]

    gt=reduce(lambda x,y:x*10+y,map(char2sum,gt))

    lt=reduce(lambda x,y:x*10+y,map(char2sum,lt))

    lt=lt/pow(10,length)   # pow(x,y) ,计算 x的 y次方

    return gt+lt    


资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
评论
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