Python技巧——list comprehension 与 functools.reduce

最新推荐文章于 2025-06-12 15:07:44 发布

原创最新推荐文章于 2025-06-12 15:07:44 发布 · 2k 阅读

1 ·

CC 4.0 BY-SA版权

python 专栏收录该内容

210 篇文章

订阅专栏

本文通过对比循环迭代和reduce函数，展示了在特定场景下reduce函数的简洁性和高效性。特别是对于由numpy.ndarray组成的复杂列表进行累加求和操作时，reduce函数能够避免循环并简化基准值的设定。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Guido（python的设计者）说，每当我看到reduce函数作用于一个non-trivial function（函数功能不那么直观的函数），我就想问自己，我当初为什么要设计如此蹩脚的内置函数，以至于我需要拿出纸和笔勾勾画画才能搞明白reduce函数的真正意图，而且效率不见得比list comprehension高。所以，他一怒之下，在python3中，将reduce贬为二等公民，也即，从内置函数降级为functools内的一个函数。

这里我想为reduce函数说几句话，有些情况下，reduce函数比list compression以及循环迭代，简洁强大的多的多。

考虑如下的需求，我们需要将由numpy.ndarray构成的sub_lists，再由这些sub_lists构成的list，进行累加（同等ndarray进行相加）求和时，我们该如何做？

不使用reduce函数的情形：

topology = [3, 2, 1]
biases = [np.random.randn(y, 1) for y in topology[1:]]
                    # 由ndarray构成的sub_lists
bs = [biases, biases, biases]
                    # 由sub_lists构成的list
t = [np.zeros(b.shape) for b in biases]
                    # 基准值
for b in bs:
    t = [x+y for x, y in zip(b, t)]
            # 第一层从list中取出sub_lists
            # 第二层从sub_lists中取出ndarray
print(t)

我们来看reduce函数的做法：

import functools 
def zip_sum(x, y):
    return [a+b for a, b in zip(x, y)]
print(functools.reduce(zip_sum, bs))

所以reduce：

避免了循环
避免了基准值的手动定义