reduce函数原本在python2中也是个内置函数，不过在python3中被移到functools模块中，这篇文章主要介绍了Python reduce()函数的用法,需要的朋友可以参考下

Python reduce()函数的用法

reduce()函数也是Python内置的一个高阶函数。reduce()函数接收的参数和 map()类似，一个函数 f，一个list，但行为和 map()不同，reduce()传入的函数 f 必须接收两个参数，reduce()对list的每个元素反复调用函数f，并返回最终结果值。

reduce()函数会对参数序列中的元素进行累积

语法结构

reduce(function, iterable[, initializer])

参数说明

• function: 函数，有两个参数

• iterable: 可迭代对象

• initializer: 初始参数(可选)

返回值

返回函数计算结果

综上所述，reduce()函数将一个数据集合中的所有数据进行下列操作，先从数据集合中取出2个元素执行指定函数function，并将输出结果与第3个元素传入function函数，输出结果再与第4个元素传入function函数进行计算，以此类推，直到列表每个元素都取完进行累积，最终返回计算结果

提示Tips

在python3中，内置函数中已经没有reduce()函数了，它现在被放置在functools模块里，如果想要使用它，则需要通过引入functools模块来调用reduce()函数

from functools import reduce

示例1

from functools import reduce
# 两数相加
def add(x,y):
    return x + y
# 计算1 + 2 + 3 + ... + 100的和
sum1 = reduce(add, range(1, 101)) 
print(sum1)  # 5050
# 计算列表和：1+2+3+4+5
# 使用lambda匿名函数+reduce()函数
sum2 = reduce(lambda x, y: x+y, [1,2,3,4,5])
print(sum2)  # 15
sum3 = reduce(lambda x, y: x + y, [1, 2, 3, 4, 5], 6)
# 21 = 6 + 1 + 2 + 3 + 4 + 5
print(sum3)  # 21

示例2

from functools import reduce
lst = [1,2,3,4,5]
# 120 = 1 * 2 * 3 * 4 * 5
print(reduce(lambda x,y:x*y,lst))  # 120

示例3

from functools import reduce
str1="abcdefg"
# gfedcba
print(reduce(lambda x,y:y+x, str1))

示例4

from functools import reduce
sentences = ['Hello World!! hello Andy']
# 统计字符串'Hello'出现的次数
word_count =reduce(lambda a,x:a+x.count("Hello"), sentences, 0)
print(word_count)  # 1

【Python基础】reduce函数详解

reduce函数原本在python2中也是个内置函数，不过在python3中被移到functools模块中。

reduce函数先从列表（或序列）中取出2个元素执行指定函数，并将输出结果与第3个元素传入函数，输出结果再与第4个元素传入函数，…，以此类推，直到列表每个元素都取完。

1 reduce用法

对列表元素求和，如果不用reduce，我们一般常用的方法是for循环：

def sum_func(arr):
    if len(arr) <= 0:
        return 0
    else:
        out = arr[0]
        for v in arr[1:]:
            out += v
        return out
a = [1, 2, 3, 4, 5]
print(sum_func(a))

可以看到，代码量比较多，不够优雅。如果使用reduce，那么代码将非常简洁：

from functools import reduce
a = [1, 2, 3, 4, 5]
def add(x, y): return x + y
print(reduce(add, a))

输出结果为：

15

2 reduce与for循环性能对比

与内置函数map和filter不一样的是，在性能方面，reduce相比较for循环来说没有优势，甚至在实际测试中

reduce比for循环更慢。

from functools import reduce
import time
def test_for(arr):
    if len(arr) <= 0:
        return 0
    out = arr[0]
    for i in arr[1:]:
        out += i
    return out
def test_reduce(arr):
    out = reduce(lambda x, y: x + y, arr)
    return out
a = [i for i in range(100000)]
t1 = time.perf_counter()
test_for(a)
t2 = time.perf_counter()
test_reduce(a)
t3 = time.perf_counter()
print('for循环耗时:', (t2 - t1))
print('reduce耗时:', (t3 - t2))

输出结果如下：

for循环耗时: 0.009323899999999996
reduce耗时: 0.018477400000000005

因此，如果对性能要求苛刻，建议不用reduce， 如果希望代码更优雅而不在意耗时，可以用reduce。