Peta, Tapis, Kurangkan

Map, Filter, dan Reduce adalah paradigma pengaturcaraan berfungsi. Mereka membolehkan pengatur cara (anda) menulis kod yang lebih mudah dan ringkas, tanpa perlu risau tentang kerumitan seperti gelung dan percabangan.

Pada dasarnya, ketiga-tiga fungsi ini membolehkan anda menerapkan fungsi ke atas beberapa iterable sekaligus. map dan filter datang terbina dalam Python (dalam modul __builtins__) dan tidak memerlukan import. Walau bagaimanapun, reduce perlu diimport kerana ia berada dalam modul functools. Mari kita fahami bagaimana ketiganya berfungsi, bermula dengan map.

Map

Fungsi map() dalam Python mempunyai sintaks berikut:

map(func, *iterables)

Di mana func adalah fungsi di mana setiap elemen dalam iterables (sebanyak mana mereka) akan diterapkan. Perhatikan asterisk (*) pada iterables? Ini bermaksud boleh ada sebanyak mana iterables yang mungkin, selagi func mempunyai jumlah sebagai input argumen yang diperlukan. Sebelum kita bergerak ke contoh, penting anda perhatikan perkara berikut:

1. Dalam Python 2, fungsi map() mengembalikan senarai. Dalam Python 3, bagaimanapun, ia mengembalikan objek map yang merupakan objek penjana. Untuk mendapatkan hasil sebagai senarai, fungsi terbina dalam list() boleh dipanggil pada objek map. iaitu list(map(func, *iterables))
2. Jumlah argumen kepada func mesti sama dengan jumlah iterables yang disenaraikan.

Mari kita lihat bagaimana peraturan ini dimainkan dengan contoh-contoh berikut.

Katakan saya mempunyai senarai (iterable) nama haiwan kesayangan kegemaran saya, semua dalam huruf kecil dan saya perlukan mereka dalam huruf besar. Secara tradisional, dalam pengaturcaraan Python biasa, saya akan melakukan sesuatu 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(), ia bukan sahaja lebih mudah, tetapi juga lebih fleksibel. Saya hanya perlu melakukan ini:

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

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

print(uppered_pets)

Ini juga akan menghasilkan hasil yang sama. Perhatikan bahawa dengan menggunakan sintaks yang diberikan map() di atas, func dalam kes ini adalah str.upper dan iterables adalah senarai my_pets -- hanya satu iterable. Juga, perhatikan kita tidak memanggil fungsi str.upper (melakukan ini: str.upper()), kerana fungsi map melakukannya untuk kita pada setiap elemen dalam senarai my_pets.

Yang lebih penting untuk diingat adalah bahawa fungsi str.upper memerlukan hanya satu argumen secara definisi dan jadi kita mengedarkan hanya satu iterable kepada ia. Jadi, jika fungsi yang anda kirimkan memerlukan dua, atau tiga, atau n argumen, maka anda perlu deretkan dua, tiga atau n iterables untuknya. Biar saya jelaskan ini dengan contoh lain.

Katakan saya mempunyai senarai luas lingkaran yang saya hitung di suatu tempat, semuanya dalam lima tempat perpuluhan. Dan saya perlu membundarkan setiap elemen dalam senarai tersebut ke posisi tempat perpuluhan masing-masing, yang bermaksud bahwa saya harus membundarkan elemen pertama dalam senarai tersebut ke satu tempat perpuluhan, elemen kedua dalam senarai tersebut ke dua tempat perpuluhan, elemen ketiga dalam senarai tersebut ke tiga tempat perpuluhan, dan seterusnya. Dengan map() ini adalah perkara yang mudah. Mari lihat bagaimana.

Python sudah memberkati kita dengan fungsi terbina dalam round() yang menerima dua argumen -- nombor untuk dibundarkan dan jumlah tempat perpuluhan untuk dibundarkan nombor tersebut. Jadi, kerana fungsi memerlukan dua argumen, kita perlu mempasskan 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 map()? Boleh anda bayangkan fleksibiliti yang dibangkitkan?

Fungsi range(1, 7) berfungsi sebagai argumen kedua kepada fungsi round (jumlah tempat perpuluhan yang diperlukan per iterasi). Jadi, semasa map mengulangi circle_areas, semasa iterasi pertama, elemen pertama dari circle_areas, 3.56773 digeser bersama elemen pertama dari range(1, 7), 1 ke round, menjadikannya berkesan menjadi round(3.56773, 1). Semasa iterasi kedua, elemen kedua dari circle_areas, 5.57668 bersama elemen kedua dari range(1, 7), 2 digeser ke round menjadikannya menjadi round(5.57668, 2). Ini berlaku sehingga akhir senarai circle_areas tercapai.

Saya pasti anda bertanya: "Bagaimana jika saya mengesankan iterable yang lebih pendek atau lebih panjang daripada panjang iterable pertama? Maksudnya, bagaimana jika saya mengesankan range(1, 3) atau range(1, 9999) sebagai iterable kedua dalam fungsi di atas". Dan jawapannya mudah: tiada apa-apa! Baiklah, itu tidak benar. "Tiada apa-apa" berlaku dalam pengertian bahawa fungsi map() tidak akan menaikkan sebarang pengecualian, ia hanya akan mengulangi elemen-elemen sehingga ia tidak dapat menemukan argumen kedua untuk fungsi, di mana pada titik itu, ia hanya berhenti dan mengembalikan hasil.

Jadi, sebagai contoh, jika anda menilai result = list(map(round, circle_areas, range(1, 3))), anda tidak akan mendapat sebarang kesalahan walaupun panjang circle_areas dan panjang range(1, 3) berbeza. Sebaliknya, inilah yang Python lakukan: Ia mengambil elemen pertama dari circle_areas dan elemen pertama dari range(1,3) dan menggeserkannya kepada round. round menilainya lalu menyimpan hasil tersebut. Kemudian ia bergerak ke iterasi kedua, elemen kedua dari circle_areas dan elemen kedua dari range(1,3), round menyimpannya lagi. Sekarang, dalam iterasi ketiga (circle_areas mempunyai elemen ketiga), Python mengambil elemen ketiga dari circle_areas dan kemudian cuba mengambil elemen ketiga dari range(1,3) tetapi kerana range(1,3) tidak mempunyai elemen ketiga, Python hanya berhenti dan mengembalikan hasil, yang dalam kes ini adalah [3.6, 5.58].

Pergilah, cuba.

# 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)

Perkara yang sama berlaku jika circle_areas lebih pendek dari panjang iterable kedua. Python hanya berhenti apabila ia tidak dapat menemukan elemen seterusnya dalam satu dari iterables.

Untuk mengukuhkan pengetahuan kita tentang fungsi map(), kita akan menggunakannya untuk melaksanakan fungsi zip() kita sendiri. Fungsi zip() adalah fungsi yang menerima sejumlah iterables dan kemudian membuat tuple yang mengandungi setiap elemen dalam iterables tersebut. Seperti map(), dalam Python 3, ia mengembalikan objek penjana, yang dapat dikonversi dengan mudah ke senarai dengan memanggil fungsi list terbina dalam padanya. Gunakan sesi juru bicara di bawah untuk mendapatkan pegangan tentang zip() sebelum kita menciptanya 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, bolehkah anda meneka apa yang akan terjadi pada sesi di atas jika my_strings dan my_numbers tidak berada dalam panjang yang sama? Tidak? cuba! Ubah panjang salah satu dari mereka.

Ke zip custom 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)

Cuba lihat itu! Kita mempunyai hasil yang sama seperti zip.

Adakah anda juga perhatikan bahawa saya bahkan tidak perlu mencipta fungsi menggunakan cara standard def my_function()? Itu betapa fleksibelnya map(), dan Python, dalam amnya! Saya hanya menggunakan fungsi lambda. Ini bukan untuk mengatakan bahawa menggunakan kaedah definisi fungsi standard (dari def function_name()) tidak dibenarkan, ia masih lagi diterima. Saya hanya lebih suka menulis kod yang kurang (lebih "Pythonic").

Itu semua tentang map. Sekarang ke filter()

Filter

Sementara map() mengedarkan setiap elemen dalam iterable melalui sebuah fungsi dan mengembalikan hasil semua elemen yang telah melalui fungsi, filter(), pertama sekali, memerlukan fungsi untuk mengembalikan nilai boolean (benar atau palsu), dan kemudian melewati setiap elemen dalam iterable melalui fungsi, "menapis" elemen yang palsu. Ia mempunyai sintaks berikut:

filter(func, iterable)

Perkara-perkara berikut harus diperhatikan mengenai filter():

1. Tidak seperti map(), hanya satu iterable yang diperlukan.
2. Argumen func diperlukan untuk mengembalikan jenis boolean. Jika tidak, filter hanya akan mengembalikan iterable yang diberikan kepadanya. Juga, kerana hanya satu iterable yang diperlukan, ia adalah sesuatu yang tidak dinyatakan bahawa func hanya boleh mengambil satu argumen.
3. filter mengedarkan setiap elemen dalam iterable melalui func dan mengembalikan hanya yang dievaluasi sebagai benar. Maksud saya, ia ada di nama -- "filter".

Mari lihat beberapa contoh

Berikut adalah senarai (iterable) markah 10 pelajar dalam peperiksaan Kimia. Mari kita tapis mereka yang lulus dengan markah 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 seterusnya ialah pengesan palindrom. "Palindrom" adalah perkataan, frasa, atau turutan yang terbaca sama secara terbalik seperti ke depan. Mari kita tapis perkataan yang merupakan palindrom dari tuple (iterable) palindrom yang disyaki.

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

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

print(palindromes)

Yang sepatutnya mengeluarkan ['madam', 'anutforajaroftuna'].

Cukup cantik kan? Akhirnya, reduce()

Reduce

reduce menggunakan fungsi dua argumen secara kumulatif kepada elemen-elemen dari iterable, secara opsional bermula dengan argumen awal. Ia mempunyai sintaks berikut:

reduce(func, iterable[, initial])

Di mana func adalah fungsi atas mana setiap elemen dalam iterable diterapkan kumulatif kepada, dan initial adalah nilai opsional yang ditempatkan sebelum elemen-elemen iterable dalam pengiraan, dan berfungsi sebagai nilai lalai ketika iterable kosong. Hal-hal berikut harus diperhatikan mengenai reduce(): 1. func memerlukan dua argumen, yang pertama di mana ialah elemen pertama dalam iterable (jika initial tidak dibekalkan) dan elemen kedua dalam iterable. Jika initial dibekalkan, maka ia menjadi argumen pertama kepada func dan elemen pertama dalam iterable menjadi elemen kedua. 2. reduce "mereduce" (Saya tahu, maafkan saya) iterable menjadi satu nilai.

Seperti biasa, mari kita lihat beberapa contoh.

Mari kita cipta versi kita sendiri dari fungsi terbina dalam Python sum(). Fungsi sum() mengembalikan jumlah semua item dalam iterable yang diberikan 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 jangka adalah 68.

Jadi, apa yang berlaku?

Seperti biasa, ia semua berkaitan iterasi: reduce mengambil elemen pertama dan kedua dalam numbers dan mengukurkan mereka kepada custom_sum masing-masing. custom_sum mengira jumlah mereka dan mengembalikannya kepada reduce. reduce kemudian mengambil hasil itu dan menggunakan ia sebagai elemen pertama kepada custom_sum dan mengambil elemen seterusnya (ketiga) dalam numbers sebagai elemen kedua kepada custom_sum. Ia melakukan ini secara berterusan (secara kumulatif) sehingga numbers habis.

Mari kita lihat apa yang berlaku apabila 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 jangka, ialah 78 kerana reduce, pada mulanya, menggunakan 10 sebagai argumen pertama kepada custom_sum.

Itu saja tentang Map, Reduce, dan Filter dalam Python. Cuba latihan di bawah untuk membantu memastikan pemahaman anda tentang setiap fungsi.

Latihan

Dalam latihan ini, anda akan menggunakan masing-masing map, filter, dan reduce untuk membaiki kod yang rosak.

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!