任何编程语言的高级特征通常都是通过大量的使用经验才发现的。比如你在编写一个复杂的项目，并在 stackoverflow 上寻找某个问题的答案。然后你突然发现了一个非常优雅的解决方案，它使用了你从不知道的 Python 功能！

这种学习方式太有趣了：通过探索，偶然发现什么。

下面是 Python 的 5 种高级特征，以及它们的用法。

Lambda 函数

Lambda 函数是一种比较小的匿名函数——匿名是指它实际上没有函数名。

Python 函数通常使用 def a_function_name() 样式来定义，但对于 lambda 函数，我们根本没为它命名。这是因为 lambda 函数的功能是执行某种简单的表达式或运算，而无需完全定义函数。

lambda 函数可以使用任意数量的参数，但表达式只能有一个。

x?=?lambda?a,?b?:?a?*?b
print(x(5,?6))?#?prints? 30

x?=?lambda?a?:?a*3?+?3
print(x(3))?#?prints? 12

看它多么简单！我们执行了一些简单的数学运算，而无需定义整个函数。这是 Python 的众多特征之一，这些特征使它成为一种干净、简单的编程语言。

Map 函数

Map() 是一种内置的 Python 函数，它可以将函数应用于各种数据结构中的元素，如列表或字典。对于这种运算来说，这是一种非常干净而且可读的执行方式。

def?square_it_func(a):
????return?a?*?a

x?=?map(square_it_func,?[1,?4,?7])
print(x)?#?prints? [1,?16,?49]

def?multiplier_func(a,?b):
????return?a?*?b

x?=?map(multiplier_func,?[1,?4,?7],?[2,?5,?8])
print(x)?#?prints? [2,?20,?56] 看看上面的示例！我们可以将函数应用于单个或多个列表。实际上，你可以使用任何 Python 函数作为 map 函数的输入，只要它与你正在操作的序列元素是兼容的。

Filter 函数

filter 内置函数与 map 函数非常相似，它也将函数应用于序列结构（列表、元组、字典）。二者的关键区别在于 filter() 将只返回应用函数返回 True 的元素。

详情请看如下示例：

#?Our?numbers
numbers?=?[1,?2,?3,?4,?5,?6,?7,?8,?9,?10,?11,?12,?13,?14,?15]

#?Function?that?filters?out?all?numbers?which?are?odd
def?filter_odd_numbers(num):

????if?num?%?2?==?0:
????????return?True
????else:
????????return?False

filtered_numbers?=?filter(filter_odd_numbers,?numbers)

print(filtered_numbers)
#?filtered_numbers?=?[2,?4,?6,?8,?10,?12,?14]

我们不仅评估了每个列表元素的 True 或 False，filter() 函数还确保只返回匹配为 True 的元素。非常便于处理检查表达式和构建返回列表这两步。

Itertools 模块

Python 的 Itertools 模块是处理迭代器的工具集合。迭代器是一种可以在 for 循环语句（包括列表、元组和字典）中使用的数据类型。

使用 Itertools 模块中的函数让你可以执行很多迭代器操作，这些操作通常需要多行函数和复杂的列表理解。关于 Itertools 的神奇之处，请看以下示例：

from?itertools?import?*

#?Easy?joining?of?two?lists?into?a?list?of?tuples
for?i?in?izip([1,?2,?3],?[ a ,? b ,? c ]):
????print?i
#?( a ,?1)
#?( b ,?2)
#?( c ,?3)

#?The?count()?function?returns?an?interator?that?
#?produces?consecutive?integers,?forever.?This?
#?one?is?great?for?adding?indices?next?to?your?list?
#?elements?for?readability?and?convenience
for?i?in?izip(count(1),?[ Bob ,? Emily ,? Joe ]):
????print?i
#?(1,? Bob )
#?(2,? Emily )
#?(3,? Joe )????

#?The?dropwhile()?function?returns?an?iterator?that?returns?
#?all?the?elements?of?the?input?which?come?after?a?certain?
#?condition?becomes?false?for?the?first?time.?
def?check_for_drop(x):
????print? Checking:? ,?x
????return?(x?>?5)

for?i?in?dropwhile(should_drop,?[2,?4,?6,?8,?10,?12]):
????print? Result:? ,?i

#?Checking:?2
#?Checking:?4
#?Result:?6
#?Result:?8
#?Result:?10
#?Result:?12


#?The?groupby()?function?is?great?for?retrieving?bunches
#?of?iterator?elements?which?are?the?same?or?have?similar?
#?properties

a?=?sorted([1,?2,?1,?3,?2,?1,?2,?3,?4,?5])
for?key,?value?in?groupby(a):
????print(key,?value),?end= ? )

#?(1,?[1,?1,?1])
#?(2,?[2,?2,?2])?
#?(3,?[3,?3])?
#?(4,?[4])?
#?(5,?[5])?

Generator 函数

Generator 函数是一个类似迭代器的函数，即它也可以用在 for 循环语句中。这大大简化了你的代码，而且相比简单的 for 循环，它节省了很多内存。

比如，我们想把 1 到 1000 的所有数字相加，以下代码块的第一部分向你展示了如何使用 for 循环来进行这一计算。

如果列表很小，比如 1000 行，计算所需的内存还行。但如果列表巨长，比如十亿浮点数，这样做就会出现问题了。使用这种 for 循环，内存中将出现大量列表，但不是每个人都有无限的 RAM 来存储这么多东西的。Python 中的 range() 函数也是这么干的，它在内存中构建列表。

代码中第二部分展示了使用 Python generator 函数对数字列表求和。generator 函数创建元素，并只在必要时将其存储在内存中，即一次一个。这意味着，如果你要创建十亿浮点数，你只能一次一个地把它们存储在内存中！Python 2.x 中的 xrange() 函数就是使用 generator 来构建列表。

上述例子说明：如果你想为一个很大的范围生成列表，那么就需要使用 generator 函数。如果你的内存有限，比如使用移动设备或边缘计算，使用这一方法尤其重要。

也就是说，如果你想对列表进行多次迭代，并且它足够小，可以放进内存，那最好使用 for 循环或 Python 2.x 中的 range 函数。因为 generator 函数和 xrange 函数将会在你每次访问它们时生成新的列表值，而 Python 2.x range 函数是静态的列表，而且整数已经置于内存中，以便快速访问。

#?(1)?Using?a?for?loopv
numbers?=?list()

for?i?in?range(1000):
????numbers.append(i+1)

total?=?sum(numbers)

#?(2)?Using?a?generator
?def?generate_numbers(n):
?????num,?numbers?=?1,?[]
?????while?num?<?n:
???????????numbers.append(num)
?????num?+=?1
?????return?numbers
?total?=?sum(generate_numbers(1000))

?#?(3)?range()?vs?xrange()
?total?=?sum(range(1000?+?1))
?total?=?sum(xrange(1000?+?1))