Peta, Filter, Reduksi

Map, Filter, dan Reduce adalah paradigma dari pemrograman fungsional. Mereka memungkinkan Anda (programmer) untuk menulis kode yang lebih sederhana dan lebih pendek, tanpa harus terlalu memikirkan kerumitan seperti loop dan percabangan.

Pada dasarnya, ketiga fungsi ini memungkinkan Anda untuk menerapkan sebuah fungsi ke sejumlah iterables dalam sekali langkah. map dan filter sudah tersedia di Python (dalam modul __builtins__) dan tidak memerlukan impor. Namun, reduce perlu diimpor karena berada di modul functools. Mari kita pelajari cara kerja mereka lebih lanjut, dimulai dengan map.

Map

Fungsi map() di Python memiliki sintaks berikut:

map(func, *iterables)

Di mana func adalah fungsi yang akan diterapkan pada setiap elemen di iterables (sebanyak apapun jumlahnya). Perhatikan tanda asterisk (*) pada iterables? Ini berarti ada sejumlah iterables yang dapat disertakan, selama func memiliki jumlah yang tepat sesuai dengan argumen input yang dibutuhkan. Sebelum kita melanjutkan ke contoh, penting untuk memperhatikan hal-hal berikut:

1. Di Python 2, fungsi map() mengembalikan sebuah daftar. Namun, di Python 3, fungsi ini mengembalikan sebuah map object yang merupakan objek generator. Untuk mendapatkan hasilnya sebagai daftar, fungsi bawaan list() dapat dipanggil pada objek map. i.e. list(map(func, *iterables))
2. Jumlah argumen untuk func harus sama dengan jumlah iterables yang tercantum.

Mari kita lihat bagaimana aturan-aturan ini berlaku dalam contoh berikut.

Misalkan saya memiliki daftar (iterable) nama hewan peliharaan favorit saya, semuanya dalam huruf kecil dan saya membutuhkan mereka dalam huruf besar. Secara tradisional, dalam pemrograman python biasa, saya akan melakukan hal seperti ini:

my_pets = ['alfred', 'tabitha', 'william', 'arla']
uppered_pets = []

for pet in my_pets:
    pet_ = pet.upper()
    uppered_pets.append(pet_)

print(uppered_pets)

Yang kemudian akan menghasilkan ['ALFRED', 'TABITHA', 'WILLIAM', 'ARLA']

Dengan fungsi map(), ini tidak hanya lebih mudah, tetapi juga jauh lebih fleksibel. Saya cukup melakukan ini:

# Python 3
my_pets = ['alfred', 'tabitha', 'william', 'arla']

uppered_pets = list(map(str.upper, my_pets))

print(uppered_pets)

Yang juga akan menghasilkan hasil yang sama. Perhatikan bahwa menggunakan sintaks map() yang didefinisikan di atas, func dalam kasus ini adalah str.upper dan iterables adalah daftar my_pets -- hanya satu iterable saja. Juga perhatikan bahwa kita tidak memanggil fungsi str.upper (melakukannya seperti ini: str.upper()) karena fungsi map yang melakukan hal tersebut untuk kita pada setiap elemen dalam daftar my_pets.

Yang lebih penting untuk dicatat adalah bahwa fungsi str.upper hanya membutuhkan satu argumen menurut definisinya, jadi kita hanya meneruskan satu iterable padanya. Jadi, jika fungsi yang Anda lewati membutuhkan dua, tiga, atau n argumen, maka Anda perlu meneruskan dua, tiga, atau n iterables padanya. Saya akan menjelaskan ini dengan contoh lain.

Misalkan saya memiliki daftar luas lingkaran yang sudah saya hitung di suatu tempat, semua dalam lima tempat desimal. Dan saya perlu membulatkan setiap elemen dalam daftar ke posisi desimalnya masing-masing, artinya saya harus membulatkan elemen pertama dalam daftar ke satu tempat desimal, elemen kedua ke dua tempat desimal, elemen ketiga ke tiga tempat desimal, dan seterusnya. Dengan map() ini sangat mudah. Mari kita lihat bagaimana.

Python sudah memberi kita fungsi bawaan round() yang memerlukan dua argumen -- angka untuk dibulatkan dan jumlah tempat desimal untuk membulatkan angka tersebut. Jadi, karena fungsi ini memerlukan dua argumen, kita perlu meneruskan dua iterables.

# Python 3

circle_areas = [3.56773, 5.57668, 4.00914, 56.24241, 9.01344, 32.00013]

result = list(map(round, circle_areas, range(1, 7)))

print(result)

Lihat keindahan dari map()? Bisakah Anda membayangkan fleksibilitas yang dihasilkan?

Fungsi range(1, 7) bertindak sebagai argumen kedua untuk fungsi round (jumlah tempat desimal yang dibutuhkan per iterasi). Jadi saat map melakukan iterasi pada circle_areas, selama iterasi pertama, elemen pertama dari circle_areas, 3.56773 diteruskan bersama elemen pertama dari range(1,7), 1 ke round, membuatnya secara efektif menjadi round(3.56773, 1). Selama iterasi kedua, elemen kedua dari circle_areas, 5.57668 bersama elemen kedua dari range(1,7), 2 diteruskan ke round membuatnya menjadi round(5.57668, 2). Ini terjadi hingga akhir daftar circle_areas tercapai.

Saya yakin Anda bertanya-tanya: "Bagaimana jika saya meneruskan iterable yang lebih pendek atau lebih panjang dari panjang iterable pertama? Yaitu, bagaimana jika saya meneruskan range(1, 3) atau range(1, 9999) sebagai iterable kedua dalam fungsi di atas". Dan jawabannya sederhana: tidak ada! Oke, itu tidak benar. "Tidak ada" terjadi dalam arti bahwa fungsi map() tidak akan menghasilkan pengecualian apapun, ia akan hanya melakukan iterasi pada elemen hingga tidak bisa menemukan argumen kedua untuk fungsi tersebut, pada titik mana ia akan berhenti dan mengembalikan hasilnya.

Jadi, misalnya, jika Anda mengevaluasi result = list(map(round, circle_areas, range(1, 3))), Anda tidak akan mendapatkan kesalahan meskipun panjang circle_areas dan panjang dari range(1, 3) berbeda. Sebaliknya, ini yang dilakukan oleh Python: Ia mengambil elemen pertama dari circle_areas dan elemen pertama dari range(1,3) dan meneruskannya ke round. round mengevaluasinya kemudian menyimpan hasilnya. Kemudian ia melanjutkan ke iterasi kedua, elemen kedua dari circle_areas dan elemen kedua dari range(1,3), round menyimpan kembali. Sekarang, pada iterasi ketiga (circle_areas memiliki elemen ketiga), Python mengambil elemen ketiga dari circle_areas dan kemudian mencoba mengambil elemen ketiga dari range(1,3) tetapi karena range(1,3) tidak memiliki elemen ketiga, Python berhenti dan mengembalikan hasil, yang dalam hal ini adalah [3.6, 5.58].

Silakan, coba.

# Python 3

circle_areas = [3.56773, 5.57668, 4.00914, 56.24241, 9.01344, 32.00013]

result = list(map(round, circle_areas, range(1, 3)))

print(result)

Hal yang sama terjadi jika circle_areas lebih pendek dari panjang dari iterable kedua. Python berhenti ketika tidak bisa menemukan elemen berikutnya di salah satu iterables.

Untuk mengkonsolidasi pengetahuan kita tentang fungsi map(), kita akan menggunakannya untuk mengimplementasikan fungsi zip() kita sendiri. Fungsi zip() adalah fungsi yang mengambil sejumlah iterables dan kemudian membuat tuple yang berisi setiap elemen dari iterables tersebut. Seperti map(), di Python 3, ia mengembalikan objek generator, yang dapat dengan mudah dikonversi menjadi daftar dengan memanggil fungsi bawaan list padanya. Gunakan sesi interpreter di bawah ini untuk memahami zip() sebelum kita membuatnya sendiri dengan map()

# Python 3

my_strings = ['a', 'b', 'c', 'd', 'e']
my_numbers = [1, 2, 3, 4, 5]

results = list(zip(my_strings, my_numbers))

print(results)

Sebagai bonus, bisakah Anda menebak apa yang akan terjadi dalam sesi di atas jika my_strings dan my_numbers tidak memiliki panjang yang sama? Tidak? coba! Ubah panjang salah satunya.

Mari kita ke fungsi zip() kita sendiri!

# Python 3

my_strings = ['a', 'b', 'c', 'd', 'e']
my_numbers = [1, 2, 3, 4, 5]

results = list(map(lambda x, y: (x, y), my_strings, my_numbers))

print(results)

Lihat itu! Kita mendapatkan hasil yang sama seperti zip.

Apakah Anda juga memperhatikan bahwa saya bahkan tidak perlu membuat fungsi menggunakan cara standar def my_function()? Itulah seberapa fleksibel map(), dan Python secara umum! Saya hanya menggunakan fungsi lambda. Ini bukan berarti menggunakan metode pendefinisian fungsi standar (dari def function_name()) tidak diizinkan, itu tetap diizinkan. Saya hanya lebih suka menulis kode yang lebih sedikit (menjadi lebih "Pythonic").

Itu semua tentang map. Lanjut ke filter()

Filter

Sementara map() meneruskan setiap elemen dalam iterable melalui sebuah fungsi dan mengembalikan hasil dari semua elemen yang telah melewati fungsi, filter(), pertama-tama memerlukan fungsi untuk mengembalikan nilai boolean (benar atau salah) dan kemudian meneruskan setiap elemen dalam iterable melalui fungsi, "memfilter" elemen yang bernilai salah. Ini memiliki sintaks berikut:

filter(func, iterable)

Poin-poin berikut harus dicatat mengenai filter():

1. Berbeda dengan map(), hanya satu iterable yang diperlukan.
2. Argumen func harus mengembalikan tipe boolean. Jika tidak, filter hanya mengembalikan iterable yang diteruskan padanya. Juga, karena hanya satu iterable yang diperlukan, implicit bahwa func hanya boleh mengambil satu argumen.
3. filter meneruskan setiap elemen dalam iterable melalui func dan mengembalikan hanya yang bernilai benar. Maksud saya, itu terpampang jelas dalam namanya -- sebuah "filter".

Mari kita lihat beberapa contoh

Berikut adalah daftar (iterable) dari nilai ujian Kimia 10 siswa. Mari kita filter mereka yang lulus dengan nilai lebih dari 75...menggunakan filter.

# Python 3
scores = [66, 90, 68, 59, 76, 60, 88, 74, 81, 65]

def is_A_student(score):
    return score > 75

over_75 = list(filter(is_A_student, scores))

print(over_75)

Contoh berikutnya adalah detector palindrom. Palindrom adalah sebuah kata, frasa, atau urutan yang dapat dibaca sama maju dan mundur. Mari kita filter kata-kata yang merupakan palindrom dari sebuah tuple (iterable) dari dugaan palindrom.

# Python 3
dromes = ("demigod", "rewire", "madam", "freer", "anutforajaroftuna", "kiosk")

palindromes = list(filter(lambda word: word == word[::-1], dromes))

print(palindromes)

Yang seharusnya menghasilkan ['madam', 'anutforajaroftuna'].

Cukup rapi, bukan? Terakhir, reduce()

Reduce

reduce menerapkan suatu fungsi dari dua argumen secara kumulatif pada elemen-elemen dari sebuah iterable, opsional dimulai dengan argumen awal. Ini memiliki sintaks berikut:

reduce(func, iterable[, initial])

Di mana func adalah fungsi yang setiap elemen dalam iterable akan diterapkan secara kumulatif, dan initial adalah nilai opsional yang ditempatkan sebelum elemen-elemen iterable dalam perhitungan, dan berfungsi sebagai default ketika iterable kosong. Hal-hal berikut harus dicatat tentang reduce(): 1. func membutuhkan dua argumen, yang pertama adalah elemen pertama dalam iterable (jika initial tidak disertakan) dan elemen kedua dalam iterable. Jika initial disertakan, maka itu akan menjadi argumen pertama untuk func dan elemen pertama dalam iterable menjadi elemen kedua. 2. reduce "mengurangi" (saya tahu, maafkan saya) iterable menjadi satu nilai saja.

Seperti biasa, mari kita lihat beberapa contoh.

Mari kita buat versi kita sendiri dari fungsi bawaan Python sum(). Fungsi sum() mengembalikan jumlah dari semua item dalam iterable yang diteruskan kepadanya.

# Python 3
from functools import reduce

numbers = [3, 4, 6, 9, 34, 12]

def custom_sum(first, second):
    return first + second

result = reduce(custom_sum, numbers)
print(result)

Hasilnya, seperti yang Anda harapkan adalah 68.

Jadi, apa yang terjadi?

Seperti biasa, semuanya tentang iterasi: reduce mengambil elemen pertama dan kedua dalam numbers dan meneruskannya ke custom_sum masing-masing. custom_sum menghitung jumlahnya dan mengembalikannya ke reduce. reduce kemudian mengambil hasil tersebut dan menerapkannya sebagai elemen pertama untuk custom_sum dan mengambil elemen berikutnya (ketiga) dalam numbers sebagai elemen kedua untuk custom_sum. Ini terus dilakukan (kumulatif) hingga numbers habis.

Mari kita lihat apa yang terjadi ketika saya menggunakan nilai opsional initial.

# Python 3
from functools import reduce

numbers = [3, 4, 6, 9, 34, 12]

def custom_sum(first, second):
    return first + second

result = reduce(custom_sum, numbers, 10)
print(result)

Hasilnya, seperti yang Anda harapkan, adalah 78 karena reduce, awalnya, menggunakan 10 sebagai argumen pertama untuk custom_sum.

Itulah semua tentang Map, Reduce, dan Filter Python. Cobalah latihan di bawah ini untuk membantu memastikan pemahaman Anda tentang masing-masing fungsi.

Exercise

Dalam latihan ini, Anda akan menggunakan masing-masing dari map, filter, dan reduce untuk memperbaiki kode yang rusak.

This site is generously supported by DataCamp. DataCamp offers online interactive Python Tutorials for Data Science. Join over a million other learners and get started learning Python for data science today!