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, 47]  

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))