Python中的匿名函数，称为lambda
匿名函数的格式：
lambda argument1, argument2,... argumentN : expression
比如，计算平方
square = lambda x: x**2
square(3)
对字典中的key/value，根据value进行从大到小排序：
dict = {'mike': 10, 'lucy': 2, 'ben': 30}
list = sorted(dict.items(), key=lambda key:key[1], reverse=True)
print(list)
for key, value in list:
print("key={}, value={}".format(key, value))
#
[('ben', 30), ('mike', 10), ('lucy', 2)]
key=ben, value=30
key=mike, value=10
key=lucy, value=2
- lambda的主体只有一行的简单表达式，不能扩展成一个多行的代码块
函数式编程
函数式编程中的函数，都是由纯函数组成
纯函数时指函数本身相互独立，互不影响，对于相同的输入，总有相同的输出，没有任何副作用。
举例说明，对一个list，让列表中的元素值都变为原来的两倍
def multiply_2(list):
for index in range(0, len(list)):
list[index] *= 2
return list
上面的代码不是纯函数，列表中的值被改变了，如果多次调用，每次得到的结果都是不一样的。
下面改造一下：
def multiply_2_pure(l):
new_list = []
for item in l:
new_list.append(item * 2)
return new_list
Python 中提供了 几个函数：map() 、filter()、reduce()，通常结合匿名函数lambda一起使用
map()
map(function, iterable)，它对iterable中的每个元素，都执行function这个函数，最后返回一个可遍历的集合。
list = [1, 2, 3, 4, 5]
new_list = map(lambda x: x*2, list)
[2, 4, 6, 8, 10]
xs=range(1000000)
map(lambda x: x*2, xs)
[x * 2 for x in xs]
list = []
for i in xs:
list .append(i * 2)
上面3种方式，map函数是最快的。
map()函数由C语言写的，运行时不需要通过Python解释器间接调用，并且做了诸多优化。
filter()
filter(function, iterable)，表示对iterable中的每个元素，都使用function来判断，并返回True或者False，
最后将返回True的元素，组成一个集合返回。
例子：判断一个list中的所有偶数
list = [1, 2, 3, 4, 5]
new_list = filter(lambda x: x % 2 == 0, list)
[2, 4]
reduce()
reduce(function, iterable)，对一个集合做一些累积操作，它对每个元素以及上一次调用返回的结果，运用function进行计算，最后返回的是一个单独的值。
例如，计算一个list中元素的乘积：
list = [1, 2, 3, 4, 5]
result = reduce(lambda x, y: x*y, list)
120
当然，类似的，filter() 和 reduce() 的功能，也可以用 for 循环或者 list comprehension 来实现。
通常来说，在我们想对集合中的元素进行一些操作时，如果操作非常简单，比如相加、累积这种，那么我们优先考虑 map()、filter()、reduce() 这类或者 list comprehension 的形式。至于这两种方式的选择：
在数据量非常多的情况下，比如机器学习的应用，那我们一般更倾向于函数式编程的表示，因为效率更高；
在数据量不多的情况下，并且你想要程序更加 Pythonic 的话，那么 list comprehension 也不失为一个好选择。
不过，如果你要对集合中的元素，做一些比较复杂的操作，那么，考虑到代码的可读性，我们通常会使用 for 循环，这样更加清晰明了。