Lambda 表达式

在 Python 中，Lambda 表达式是一个匿名函数，它可以在需要函数对象的地方使用。Lambda 表达式的语法如下：

lambda arguments: expression
    

其中， arguments 是参数列表，可以是 0 个或多个参数，用逗号分隔； expression 是函数体，是一个表达式，返回值即为 Lambda 函数的返回值。

Lambda 表达式通常用于需要一个简单函数作为参数的场合，比如 map 、 filter 和 reduce 等高阶函数，以及排序、回调函数等场合。

例如，对一个列表进行平方操作：

numbers = [1, 2, 3, 4, 5]
squared_numbers = list(map(lambda x: x2, numbers))
print(squared_numbers)  输出 [1, 4, 9, 16, 25]
    

Lambda 表达式还可以与条件表达式结合使用，实现简单的条件判断。例如，返回两个数中的最大值：

max_value = lambda a, b: a if a > b else b
print(max_value(3, 5))  输出 5
    

需要注意的是，Lambda 表达式只能包含一个表达式，而不能包含多条语句或复杂的控制流程。因此，Lambda 表达式通常用于编写简单的函数，不适用于复杂的业务逻辑。如果需要编写更复杂的函数，应该使用 def 语句定义普通的函数。

惰性求值

惰性求值（Lazy Evaluation）是一种编程策略，它延迟计算表达式的值直到真正需要时。在惰性求值中，表达式不会立即求值，而是在需要结果时才进行计算。

惰性求值的主要优势在于它可以节省计算资源并提高性能。当存在大量的计算或者有可能产生无用的计算结果时，惰性求值可以避免不必要的计算开销。通过只计算必要的部分，可以减少时间和空间的消耗。

惰性求值在很多编程语言中都有应用，例如函数式编程语言如 Haskell 和 Scala。在这些语言中，一些常见的数据结构和操作符都是惰性求值的，例如列表、流（Stream）和生成器（Generator）等。

下面是一个简单的示例，展示了惰性求值的概念：

def generate_numbers():
    num = 1
    while True:
        yield num
        num += 1

numbers = generate_numbers()  生成一个惰性序列
filtered_numbers = filter(lambda x: x % 2 == 0, numbers)  过滤出偶数
 只有在需要结果时，才会进行计算
print(next(filtered_numbers))  输出 2
print(next(filtered_numbers))  输出 4
print(next(filtered_numbers))  输出 6
    

在上述代码中， generate_numbers() 函数返回一个生成器对象，它是一个惰性序列。而 filter() 函数通过传入一个 Lambda 表达式和生成器对象来创建另一个惰性序列，其中只包含偶数。通过调用 next() 函数，我们按需获取结果，每次只计算一个偶数。

需要注意的是，惰性求值并不适用于所有情况。有些场景下，我们需要立即获得全部结果，而不是按需计算。这就要根据具体的业务需求来选择适合的求值策略。

Lambda 表达式有何用处？如何使用

简单来说，编程中提到的 lambda 表达式，通常是在需要一个函数，但是又不想费神去命名一个函数的场合下使用，也就是指匿名函数。 这一用法跟所谓 λ 演算（题目说明里的维基链接）的关系，有点像原子弹和质能方程的关系，差别其实还是挺大的。 不谈形式化的 λ 演算，只说有实际用途的匿名函数。 先举一个普通的 Python 例子：将一个 list 里的每个元素都平方：map( lambda x: x*x, [y for y in range(10)] )这个写法要好过def sq(x): return x * xmap(sq, [y for y in range(10)])，因为后者多定义了一个（污染环境的）函数，尤其如果这个函数只会使用一次的话。 而且第一种写法实际上更易读，因为那个映射到列表上的函数具体是要做什么，非常一目了然。 如果你仔细观察自己的代码，会发现这种场景其实很常见：你在某处就真的只需要一个能做一件事情的函数而已，连它叫什么名字都无关紧要。 Lambda 表达式就可以用来做这件事。 进一步讲，匿名函数本质上就是一个函数，它所抽象出来的东西是一组运算。 这是什么意思呢？类比a = [1, 2, 3]和f = lambda x : x + 1，你会发现，等号右边的东西完全可以脱离等号左边的东西而存在，等号左边的名字只是右边之实体的标识符。 如果你能习惯 [1, 2, 3] 单独存在，那么 lambda x : x + 1 也能单独存在其实也就不难理解了，它的意义就是给「某个数加一」这一运算本身。 现在回头来看 map() 函数，它可以将一个函数映射到一个可枚举类型上面。 沿用上面给出的 a 和 f，可以写：map(f, a)也就是将函数 f 依次套用在 a 的每一个元素上面，获得结果 [2, 3, 4]。 现在用 lambda 表达式来替换 f，就变成：map( lambda x : x + 1, [1, 2, 3] )会不会觉得现在很一目了然了？尤其是类比a = [1, 2, 3]r = []for each in a: (each+1)这样的写法时，你会发现自己如果能将「遍历列表，给遇到的每个元素都做某种运算」的过程从一个循环里抽象出来成为一个函数 map，然后用 lambda 表达式将这种运算作为参数传给 map 的话，考虑事情的思维层级会高出一些来，需要顾及的细节也少了一点。 Python 之中，类似能用到 lambda 表达式的「高级」函数还有 reduce、filter 等等，很多语言也都有这样的工具（不过这些特性最好不要在 Python 中用太多。 这种能够接受一个函数作为参数的函数叫做「高阶函数」（higher-order function），是来自函数式编程（functional programming）的思想。 和其他很多语言相比，Python 的 lambda 限制多多，最严重的当属它只能由一条表达式组成。 这个限制主要是为了防止滥用，因为当人们发觉 lambda 很方便，就比较容易滥用，可是用多了会让程序看起来不那么清晰，毕竟每个人对于抽象层级的忍耐 / 理解程度都有所不同。

Python 中lambda和zip组合使用报错

我是网上copy别个感知器代码，我是py3.6也出现了这个问题。 PY2和py3在map和zip的地方有区别，py3的结果是迭代器，所以需要自己手动将结果转化为列表。 因此只是光改代码提示错误的地方还不够，出现map和zip的地方都需要修改。 更改主要两处代码(reduce(lambda a,b: a + b,list(map(lambda x: x[0] * x[1], list(zip(input_vec, )))))+) 2：def _update_weights(self, input_vec, output, label, rate):delta = label - = list(map(lambda x: x[1] + rate * delta * x[0],list(zip(input_vec, ))))# 更新 += rate * delta