函数累积计算全掌握)
Python函数reduce()函数累积计算全掌握一、开篇从逐个处理到累积计算map()对序列中的每个元素应用同一个操作filter()从序列中筛选出符合条件的元素。而reduce()的思路完全不同——它将序列中的元素两两聚合最终累积成一个结果。⌨️ 用一个简单例子理解reduce的思维fromfunctoolsimportreduce# 问题计算 [1, 2, 3, 4, 5] 的累加和numbers[1,2,3,4,5]# reduce的累积过程# 第1步1 2 3# 第2步3 3 6# 第3步6 4 10# 第4步10 5 15# 结果15resultreduce(lambdaa,b:ab,numbers)print(result)# 15# 等价于# ((((1 2) 3) 4) 5) 15reduce()像一个滚雪球的过程——从第一个元素开始依次将累积结果与下一个元素进行计算最终得到一个汇总值。二、reduce()的基本用法2.1 语法和工作原理fromfunctoolsimportreduce# reduce(function, iterable[, initializer])# function: 二元函数接收两个参数(累积值, 下一个元素)返回新的累积值# iterable: 可迭代对象# initializer: 可选初始累积值# 工作原理图解# 没有initializer时# 累积值 第一个元素# for 每个剩余元素:# 累积值 function(累积值, 当前元素)# return 累积值# 有initializer时# 累积值 initializer# for 每个元素:# 累积值 function(累积值, 当前元素)# return 累积值# ⌨️ 逐步查看reduce的过程numbers[1,2,3,4,5]defadd_and_show(a,b):加法并显示中间过程resultabprint(f{a}{b}{result})returnresultprint(reduce过程)totalreduce(add_and_show,numbers)print(f最终结果:{total})# 输出# reduce过程# 1 2 3# 3 3 6# 6 4 10# 10 5 15# 最终结果: 152.2 initializer初始值的作用# initializer可以改变reduce的行为numbers[1,2,3,4,5]# 没有initializer——从第一个元素开始result1reduce(lambdaa,b:ab,numbers)print(result1)# 15# 有initializer0——从0开始result2reduce(lambdaa,b:ab,numbers,0)print(result2)# 15结果相同# 有initializer10——从10开始result3reduce(lambdaa,b:ab,numbers,10)print(result3)# 25 10 (12345)# ⚠️ initializer很关键空序列的情况empty_list[]# 没有initializer——报错# reduce(lambda a, b: a b, empty_list)# TypeError: reduce() of empty iterable with no initial value# 有initializer——安全返回result4reduce(lambdaa,b:ab,empty_list,0)print(result4)# 0# 始终提供initializer是个好习惯——让代码更安全三、reduce()的经典应用3.1 聚合计算fromfunctoolsimportreduceimportoperator numbers[1,2,3,4,5]# 累加求和totalreduce(operator.add,numbers)print(f求和:{total})# 15# 累乘求积productreduce(operator.mul,numbers)print(f求积:{product})# 1205的阶乘# 找最大值maximumreduce(lambdaa,b:aifabelseb,numbers)print(f最大值:{maximum})# 5# 找最小值minimumreduce(lambdaa,b:aifabelseb,numbers)print(f最小值:{minimum})# 1# 字符串拼接words[Python,是,一门,优雅的,语言]sentencereduce(lambdaa,b:ab,words)print(sentence)# Python是一门优雅的语言# 使用空格分隔的拼接sentence2reduce(lambdaa,b:f{a}{b},words)print(sentence2)# Python 是 一门 优雅的 语言3.2 实现阶乘和其他数学运算fromfunctoolsimportreduceimportoperator# 阶乘 n! 1 × 2 × 3 × ... × ndeffactorial(n):计算n的阶乘ifn0:raiseValueError(阶乘只对非负整数定义)ifn0:return1returnreduce(operator.mul,range(1,n1))forninrange(11):print(f{n}! {factorial(n)})# 0! 1# 1! 1# 2! 2# ...# 10! 3628800# 最大公约数GCDimportmathdefgcd_of_list(numbers):计算列表中所有数的最大公约数ifnotnumbers:raiseValueError(列表不能为空)returnreduce(math.gcd,numbers)print(gcd_of_list([48,64,96]))# 16print(gcd_of_list([100,75,25]))# 25print(gcd_of_list([17,31]))# 1互质# 最小公倍数LCMdeflcm_of_list(numbers):计算列表中所有数的最小公倍数ifnotnumbers:raiseValueError(列表不能为空)returnreduce(math.lcm,numbers)# Python 3.9print(lcm_of_list([4,6,8]))# 243.3 用reduce()实现map()和filter()fromfunctoolsimportreduce# reduce可以模拟mapdefmy_map(func,iterable):用reduce实现mapreturnreduce(lambdaacc,item:acc[func(item)],iterable,[]# 初始值空列表)resultmy_map(lambdax:x**2,[1,2,3,4,5])print(result)# [1, 4, 9, 16, 25]# reduce可以模拟filterdefmy_filter(func,iterable):用reduce实现filterreturnreduce(lambdaacc,item:acc[item]iffunc(item)elseacc,iterable,[])resultmy_filter(lambdax:x%20,range(1,11))print(result)# [2, 4, 6, 8, 10]# ⚠️ 但实际开发中不要这样用——直接用map()和filter()或列表推导式# 这只是用来帮助理解reduce的能力四、reduce()的高级应用4.1 管道/流水线处理fromfunctoolsimportreduce# 定义一系列数据处理函数defremove_none(data):移除None值return[xforxindataifxisnotNone]defconvert_to_int(data):转为整数return[int(x)forxindata]deffilter_positive(data):只保留正数return[xforxindataifx0]defmultiply_by(data,factor):乘以因子return[x*factorforxindata]# 用reduce链式应用这些处理pipeline[remove_none,convert_to_int,filter_positive,lambdadata:multiply_by(data,2),]raw_data[1,None,3,-2,5,None,0,8]resultreduce(lambdadata,step:step(data),pipeline,raw_data)print(result)# [2, 6, 10, 16]# 解释data经过pipeline的每一层转换# raw_data [1, None, 3, -2, 5, None, 0, 8]# → remove_none: [1, 3, -2, 5, 0, 8]# → convert_to_int: [1, 3, -2, 5, 0, 8]# → filter_positive: [1, 3, 5, 8]# → multiply_by(×2): [2, 6, 10, 16]4.2 深度合并字典fromfunctoolsimportreduce# 合并多个字典后面的覆盖前面的dicts[{host:localhost,port:8080},{port:9090,debug:True},# port覆盖前面的{timeout:30,retries:3},]mergedreduce(lambdaa,b:{**a,**b},dicts)print(merged)# {host: localhost, port: 9090, debug: True, timeout: 30, retries: 3}# 深度合并嵌套字典也合并configs[{database:{host:localhost,port:5432},debug:False},{database:{port:5433,name:mydb},cache:True},{debug:True,timeout:30},]defdeep_merge(a,b):深度合并两个字典resultdict(a)forkey,valueinb.items():ifkeyinresultandisinstance(result[key],dict)andisinstance(value,dict):result[key]deep_merge(result[key],value)else:result[key]valuereturnresult final_configreduce(deep_merge,configs,{})print(final_config)# {database: {host: localhost, port: 5433, name: mydb},# debug: True, cache: True, timeout: 30}五、reduce() vs 其他方式fromfunctoolsimportreduceimportoperator# reduce vs 内置函数能用内置就用内置numbers[1,2,3,4,5]# reduce求和total1reduce(operator.add,numbers)# 15# 内置sum()求和——更好total2sum(numbers)# 15# reduce求积product1reduce(operator.mul,numbers)# 120# Python 3.8 math.prod()——更好importmath product2math.prod(numbers)# 120# reduce找最值max1reduce(lambdaa,b:aifabelseb,numbers)# 5max2max(numbers)# 5 —— 更好# reduce拼接字符串words[a,b,c]concat1reduce(lambdaa,b:ab,words)# abcconcat2.join(words)# abc —— 更好# 经验法则# - 有内置函数 → 用内置函数# - 简单聚合 → 用内置函数或for循环# - 复杂聚合逻辑 → reduce()# - reduce让代码变难读 → 用for循环重写六、总结reduce()是函数式编程三件套中最后一个。它不像map()和filter()那么常用但在需要累积计算的场景中它比其他方式更自然。核心要点reduce(func, iterable, [initial])将序列累积为单个值始终提供initializer——避免空序列报错能用内置函数就用内置——sum()、max()、math.prod()比reduce更清晰也更高效reduce模拟map/filter仅作学习用途——实际不要用管道处理是reduce的亮点场景——在函数式数据流中非常有用✅reduce的精髓当你需要把一组数据折叠成一个结果时想到它。
Python函数reduce()函数累积计算全掌握一、开篇从逐个处理到累积计算map()对序列中的每个元素应用同一个操作filter()从序列中筛选出符合条件的元素。而reduce()的思路完全不同——它将序列中的元素两两聚合最终累积成一个结果。⌨️ 用一个简单例子理解reduce的思维fromfunctoolsimportreduce# 问题计算 [1, 2, 3, 4, 5] 的累加和numbers[1,2,3,4,5]# reduce的累积过程# 第1步1 2 3# 第2步3 3 6# 第3步6 4 10# 第4步10 5 15# 结果15resultreduce(lambdaa,b:ab,numbers)print(result)# 15# 等价于# ((((1 2) 3) 4) 5) 15reduce()像一个滚雪球的过程——从第一个元素开始依次将累积结果与下一个元素进行计算最终得到一个汇总值。二、reduce()的基本用法2.1 语法和工作原理fromfunctoolsimportreduce# reduce(function, iterable[, initializer])# function: 二元函数接收两个参数(累积值, 下一个元素)返回新的累积值# iterable: 可迭代对象# initializer: 可选初始累积值# 工作原理图解# 没有initializer时# 累积值 第一个元素# for 每个剩余元素:# 累积值 function(累积值, 当前元素)# return 累积值# 有initializer时# 累积值 initializer# for 每个元素:# 累积值 function(累积值, 当前元素)# return 累积值# ⌨️ 逐步查看reduce的过程numbers[1,2,3,4,5]defadd_and_show(a,b):加法并显示中间过程resultabprint(f{a}{b}{result})returnresultprint(reduce过程)totalreduce(add_and_show,numbers)print(f最终结果:{total})# 输出# reduce过程# 1 2 3# 3 3 6# 6 4 10# 10 5 15# 最终结果: 152.2 initializer初始值的作用# initializer可以改变reduce的行为numbers[1,2,3,4,5]# 没有initializer——从第一个元素开始result1reduce(lambdaa,b:ab,numbers)print(result1)# 15# 有initializer0——从0开始result2reduce(lambdaa,b:ab,numbers,0)print(result2)# 15结果相同# 有initializer10——从10开始result3reduce(lambdaa,b:ab,numbers,10)print(result3)# 25 10 (12345)# ⚠️ initializer很关键空序列的情况empty_list[]# 没有initializer——报错# reduce(lambda a, b: a b, empty_list)# TypeError: reduce() of empty iterable with no initial value# 有initializer——安全返回result4reduce(lambdaa,b:ab,empty_list,0)print(result4)# 0# 始终提供initializer是个好习惯——让代码更安全三、reduce()的经典应用3.1 聚合计算fromfunctoolsimportreduceimportoperator numbers[1,2,3,4,5]# 累加求和totalreduce(operator.add,numbers)print(f求和:{total})# 15# 累乘求积productreduce(operator.mul,numbers)print(f求积:{product})# 1205的阶乘# 找最大值maximumreduce(lambdaa,b:aifabelseb,numbers)print(f最大值:{maximum})# 5# 找最小值minimumreduce(lambdaa,b:aifabelseb,numbers)print(f最小值:{minimum})# 1# 字符串拼接words[Python,是,一门,优雅的,语言]sentencereduce(lambdaa,b:ab,words)print(sentence)# Python是一门优雅的语言# 使用空格分隔的拼接sentence2reduce(lambdaa,b:f{a}{b},words)print(sentence2)# Python 是 一门 优雅的 语言3.2 实现阶乘和其他数学运算fromfunctoolsimportreduceimportoperator# 阶乘 n! 1 × 2 × 3 × ... × ndeffactorial(n):计算n的阶乘ifn0:raiseValueError(阶乘只对非负整数定义)ifn0:return1returnreduce(operator.mul,range(1,n1))forninrange(11):print(f{n}! {factorial(n)})# 0! 1# 1! 1# 2! 2# ...# 10! 3628800# 最大公约数GCDimportmathdefgcd_of_list(numbers):计算列表中所有数的最大公约数ifnotnumbers:raiseValueError(列表不能为空)returnreduce(math.gcd,numbers)print(gcd_of_list([48,64,96]))# 16print(gcd_of_list([100,75,25]))# 25print(gcd_of_list([17,31]))# 1互质# 最小公倍数LCMdeflcm_of_list(numbers):计算列表中所有数的最小公倍数ifnotnumbers:raiseValueError(列表不能为空)returnreduce(math.lcm,numbers)# Python 3.9print(lcm_of_list([4,6,8]))# 243.3 用reduce()实现map()和filter()fromfunctoolsimportreduce# reduce可以模拟mapdefmy_map(func,iterable):用reduce实现mapreturnreduce(lambdaacc,item:acc[func(item)],iterable,[]# 初始值空列表)resultmy_map(lambdax:x**2,[1,2,3,4,5])print(result)# [1, 4, 9, 16, 25]# reduce可以模拟filterdefmy_filter(func,iterable):用reduce实现filterreturnreduce(lambdaacc,item:acc[item]iffunc(item)elseacc,iterable,[])resultmy_filter(lambdax:x%20,range(1,11))print(result)# [2, 4, 6, 8, 10]# ⚠️ 但实际开发中不要这样用——直接用map()和filter()或列表推导式# 这只是用来帮助理解reduce的能力四、reduce()的高级应用4.1 管道/流水线处理fromfunctoolsimportreduce# 定义一系列数据处理函数defremove_none(data):移除None值return[xforxindataifxisnotNone]defconvert_to_int(data):转为整数return[int(x)forxindata]deffilter_positive(data):只保留正数return[xforxindataifx0]defmultiply_by(data,factor):乘以因子return[x*factorforxindata]# 用reduce链式应用这些处理pipeline[remove_none,convert_to_int,filter_positive,lambdadata:multiply_by(data,2),]raw_data[1,None,3,-2,5,None,0,8]resultreduce(lambdadata,step:step(data),pipeline,raw_data)print(result)# [2, 6, 10, 16]# 解释data经过pipeline的每一层转换# raw_data [1, None, 3, -2, 5, None, 0, 8]# → remove_none: [1, 3, -2, 5, 0, 8]# → convert_to_int: [1, 3, -2, 5, 0, 8]# → filter_positive: [1, 3, 5, 8]# → multiply_by(×2): [2, 6, 10, 16]4.2 深度合并字典fromfunctoolsimportreduce# 合并多个字典后面的覆盖前面的dicts[{host:localhost,port:8080},{port:9090,debug:True},# port覆盖前面的{timeout:30,retries:3},]mergedreduce(lambdaa,b:{**a,**b},dicts)print(merged)# {host: localhost, port: 9090, debug: True, timeout: 30, retries: 3}# 深度合并嵌套字典也合并configs[{database:{host:localhost,port:5432},debug:False},{database:{port:5433,name:mydb},cache:True},{debug:True,timeout:30},]defdeep_merge(a,b):深度合并两个字典resultdict(a)forkey,valueinb.items():ifkeyinresultandisinstance(result[key],dict)andisinstance(value,dict):result[key]deep_merge(result[key],value)else:result[key]valuereturnresult final_configreduce(deep_merge,configs,{})print(final_config)# {database: {host: localhost, port: 5433, name: mydb},# debug: True, cache: True, timeout: 30}五、reduce() vs 其他方式fromfunctoolsimportreduceimportoperator# reduce vs 内置函数能用内置就用内置numbers[1,2,3,4,5]# reduce求和total1reduce(operator.add,numbers)# 15# 内置sum()求和——更好total2sum(numbers)# 15# reduce求积product1reduce(operator.mul,numbers)# 120# Python 3.8 math.prod()——更好importmath product2math.prod(numbers)# 120# reduce找最值max1reduce(lambdaa,b:aifabelseb,numbers)# 5max2max(numbers)# 5 —— 更好# reduce拼接字符串words[a,b,c]concat1reduce(lambdaa,b:ab,words)# abcconcat2.join(words)# abc —— 更好# 经验法则# - 有内置函数 → 用内置函数# - 简单聚合 → 用内置函数或for循环# - 复杂聚合逻辑 → reduce()# - reduce让代码变难读 → 用for循环重写六、总结reduce()是函数式编程三件套中最后一个。它不像map()和filter()那么常用但在需要累积计算的场景中它比其他方式更自然。核心要点reduce(func, iterable, [initial])将序列累积为单个值始终提供initializer——避免空序列报错能用内置函数就用内置——sum()、max()、math.prod()比reduce更清晰也更高效reduce模拟map/filter仅作学习用途——实际不要用管道处理是reduce的亮点场景——在函数式数据流中非常有用✅reduce的精髓当你需要把一组数据折叠成一个结果时想到它。
