全文共1928字，預計學習時長5分鐘
學習Pandas是很棒的體驗，學習Numpy也很有趣。但是，你是否過早地開始使用程序庫了呢？這也許是因為你還沒有意識到pure python的魅力。
如果是這樣的話，那麼這篇文章會對你很有幫助。
本文將介紹幾個非常有趣的pure python功能，這些功能是在日常數據科學工作中十分常用的。在整個數據準備階段都都可以大量地使用它們（大量用於數據清理），甚至在繪製之前也可以使用它們來聚合數據。
希望你也可以將這些技巧運用到項目中。儘管沒有運行時的速度或性能優勢，但是與從零開始實施此邏輯相比，這將為你節省大量時間。因此，言歸正傳，讓我們來看第一點吧！
1、拉姆達函數（Lambda Functions）
拉姆達函數非常強大。當然，當必須以相同的方式清理多個列時，我們不會使用它，但這並不是經常遇到的情況。通常情況下，每個屬性在清理後都需要自己的邏輯。
Lambda函數允許創建「匿名」函數。這基本上意味著可以快速生成特定函數，而無需使用pythonsdef來正確定義函數。
儘管如此，請記住Lambda函數主要被設計成one-liners，因此它應該用於簡單的東西。對於更複雜的邏輯，則需要使用常規函數。
裡將展示兩個具體示例，通過這些示例，我們無需為所有項目定義函數，從而可以節省許少時間。雖然第一個示例可能不會在現實中常用，但值得一提。這就是對數字求平方。
#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
上面的代碼片段以常規方式和lambda函數的方式完成了相同邏輯的實現。雖然結果是一樣的，但是lambda的單行看起來舒服多了！
第二個例子是關於檢查數字是偶數或非偶數：
#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，同樣的邏輯以兩種方式實現。你來決定你喜歡哪一個吧。
2、列表解析（List Comprehensions）
簡單來說，列表解析使我們可以使用其他符號創建列表。可以將其視為括號內的單行循環。
在做特徵工程時，使用列表解析很方便。例如，假設我們在通過分析電子郵件標題來進行垃圾郵件檢測，那麼我們會想弄明白是否問號會在垃圾郵件中經常出現。如果用列表解析來實現的話，這將是一項非常簡單的任務。
就不再進行更多的理論解釋了。例子才是最重要的。
這裡的例子選擇聲明一個常規函數，該函數將檢查列表中以某個字符（在這種情況下為「 a」）開頭的項目。實施後，再用列表解析執行相同的操作。猜猜哪個會寫起來更快呢？
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']
如果是第一次看到這樣的方式，語法可能會有點混亂。但是當你每天都在寫這樣的函數時，它們會越來越吸引你，看你能把多少複雜的東西應用進去。
3、Zip函數
這是在實踐中很少看到的內置python方法之一。從數據科學家的角度來看，它使我們能夠同時迭代兩個或多個列表。在處理日期和時間時，這可以派上用場。
例如，有一個屬性表示某個事件的開始時間，而第二個屬性表示該事件的結束時間時，為了進一步分析，幾乎總是需要計算它們之間的時間差。而到目前為止，zip函數是最簡單的方法。
例如，來比較一些虛構公司和虛構地區的一周銷售日期：
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
看看這有多麼簡單吧。可以應用相同的邏輯同時迭代3個數組，只需要在括號中添加「 s3」和其他一些列表名稱即可。
結語
Pure Python真的非常強大。了解其功能後，就不再需要專門的庫來存放所有內容了。這將幫助你成為一名更好的程式設計師。
練習這些技能、掌握它們，並將其應用到日常工作中。無論是僅僅為了娛樂、完成學業還是工作，你都不會後悔的。
你的看法是什麼？你是否認為Pure Python中的其他內容也對於數據科學家至關重要？說說你的觀點吧！
留言點讚關注
我們一起分享AI學習與發展的乾貨
如轉載，請後臺留言，遵守轉載規範