不能错过！你必须知道的3种重要Python技能
全文共1928字，预计学习时长5分钟
图片来自fabio，Unsplash
学习Pandas是很棒的体验，学习Numpy也很有趣。但是，你是否过早地开始使用程序库了呢？这也许是因为你还没有意识到pure python的魅力。
如果是这样的话，那么这篇文章会对你很有帮助。
本文将介绍几个非常有趣的pure python功能，这些功能是在日常数据科学工作中十分常用的。在整个数据准备阶段都都可以大量地使用它们（大量用于数据清理），甚至在绘制之前也可以使用它们来聚合数据。
希望你也可以将这些技巧运用到项目中。尽管没有运行时的速度或性能优势，但是与从零开始实施此逻辑相比，这将为你节省大量时间。因此，言归正传，让我们来看第一点吧！
By GIPHY
1、拉姆达函数（Lambda Functions）
拉姆达函数非常强大。当然，当必须以相同的方式清理多个列时，我们不会使用它，但这并不是经常遇到的情况。通常情况下，每个属性在清理后都需要自己的逻辑。
Lambda函数允许创建“匿名”函数。这基本上意味着可以快速生成特定函数，而无需使用pythonsdef来正确定义函数。
尽管如此，请记住Lambda函数主要被设计成one-liners，因此它应该用于简单的东西。对于更复杂的逻辑，则需要使用常规函数。
里将展示两个具体示例，通过这些示例，我们无需为所有项目定义函数，从而可以节省许少时间。虽然第一个示例可能不会在现实中常用，但值得一提。这就是对数字求平方。
#regular function
def square_number(x):
res = x ** 2
return res# lambda function
square = lambda x: x ** 2# results
print('square_number(4): {}'.format(square_number(4)))
print('square lambda: {}'.format(square(4)))>>> square_number(4):16
>>> square lambda: 16
上面的代码片段以常规方式和lambda函数的方式完成了相同逻辑的实现。虽然结果是一样的，但是lambda的单行看起来舒服多了！
第二个例子是关于检查数字是偶数或非偶数：
#regular function
def is_even(x):
if x % 2 == 0:
return True
else:
return False
# lambda function
even = lambda x: x % 2 == 0# results
print('is_even(4): {}'.format(is_even(4)))
print('is_even(3): {}'.format(is_even(3)))
print('even(4): {}'.format(even(4)))
print('even(3): {}'.format(even(3)))>>> is_even(4): True
>>> is_even(3): False
>>> even(4): True
>>> even(3): False
再一次，同样的逻辑以两种方式实现。你来决定你喜欢哪一个吧。
2、列表解析（List Comprehensions）
简单来说，列表解析使我们可以使用其他符号创建列表。可以将其视为括号内的单行循环。
在做特征工程时，使用列表解析很方便。例如，假设我们在通过分析电子邮件标题来进行垃圾邮件检测，那么我们会想弄明白是否问号会在垃圾邮件中经常出现。如果用列表解析来实现的话，这将是一项非常简单的任务。
就不再进行更多的理论解释了。例子才是最重要的。
这里的例子选择声明一个常规函数，该函数将检查列表中以某个字符（在这种情况下为“ a”）开头的项目。实施后，再用列表解析执行相同的操作。猜猜哪个会写起来更快呢？
lst =['Acer', 'Asus', 'Lenovo', 'HP']# regular function
def starts_with_a(lst):
valids = []
for word in lst:
if word[0].lower() == 'a':
valids.append(word)
return valids
# list comprehension
lst_comp = [word for word in lst if word[0].lower() == 'a']# results
print('starts_with_a: {}'.format(starts_with_a(lst)))
print('list_comprehension: {}'.format(lst_comp))>>> starts_with_a:['Acer', 'Asus']
>>> list_comprehension: ['Acer', 'Asus']
如果是第一次看到这样的方式，语法可能会有点混乱。但是当你每天都在写这样的函数时，它们会越来越吸引你，看你能把多少复杂的东西应用进去。
3、Zip函数
这是在实践中很少看到的内置python方法之一。从数据科学家的角度来看，它使我们能够同时迭代两个或多个列表。在处理日期和时间时，这可以派上用场。
例如，有一个属性表示某个事件的开始时间，而第二个属性表示该事件的结束时间时，为了进一步分析，几乎总是需要计算它们之间的时间差。而到目前为止，zip函数是最简单的方法。
例如，来比较一些虚构公司和虚构地区的一周销售日期：
sales_north= [350, 287, 550, 891, 241, 653, 882]
sales_south = [551, 254, 901, 776, 105, 502, 976]for s1, s2 in zip(sales_north,sales_south):
print(s1 — s2)>>> -201
33
-351
115
136
151
-94
看看这有多么简单吧。可以应用相同的逻辑同时迭代3个数组，只需要在括号中添加“ s3”和其他一些列表名称即可。
结语
Pure Python真的非常强大。了解其功能后，就不再需要专门的库来存放所有内容了。这将帮助你成为一名更好的程序员。
练习这些技能、掌握它们，并将其应用到日常工作中。无论是仅仅为了娱乐、完成学业还是工作，你都不会后悔的。
你的看法是什么？你是否认为Pure Python中的其他内容也对于数据科学家至关重要？说说你的观点吧！
留言点赞关注
我们一起分享AI学习与发展的干货
如转载，请后台留言，遵守转载规范