```python

# Python函数式编程：lambda、map与filter的妙用

# 1. lambda表达式 - 匿名函数的优雅实现

square = lambda x: x 2

numbers = [1, 2, 3, 4, 5]

squared_numbers = list(map(square, numbers))

print(f平方运算: {squared_numbers}) # [1, 4, 9, 16, 25]

# 复杂lambda应用：多参数运算

calculate = lambda x, y: (x + y) (x - y)

result = calculate(10, 3)

print(f复杂运算结果: {result}) # 91

# 2. map函数 - 数据转换的利器

# 基本map应用

names = ['alice', 'bob', 'charlie']

capitalized_names = list(map(str.capitalize, names))

print(f首字母大写: {capitalized_names}) # ['Alice', 'Bob', 'Charlie']

# 多序列map操作

prices = [100, 200, 300]

quantities = [2, 3, 1]

total_values = list(map(lambda p, q: p q, prices, quantities))

print(f总价值计算: {total_values}) # [200, 600, 300]

# 3. filter函数 - 数据筛选的专家

# 基本filter应用

numbers = range(1, 11)

even_numbers = list(filter(lambda x: x % 2 == 0, numbers))

print(f偶数筛选: {even_numbers}) # [2, 4, 6, 8, 10]

# 复杂条件筛选

words = ['python', 'java', 'c', 'javascript', 'go']

long_words = list(filter(lambda word: len(word) > 3, words))

print(f长单词筛选: {long_words}) # ['python', 'java', 'javascript']

# 4. 组合应用 - 函数式编程的威力

data = [15, 8, 22, 17, 9, 31, 25]

# 筛选大于10的数并计算平方

processed_data = list(

map(lambda x: x 2,

filter(lambda x: x > 10, data))

)

print(f组合处理结果: {processed_data}) # [225, 484, 289, 961, 625]

# 5. 实际应用场景 - 数据处理管道

students = [

{'name': 'Alice', 'score': 85},

{'name': 'Bob', 'score': 92},

{'name': 'Charlie', 'score': 78},

{'name': 'Diana', 'score': 88}

]

# 筛选高分学生并提取姓名

top_students = list(

map(lambda student: student['name'],

filter(lambda student: student['score'] >= 85, students))

)

print(f优秀学生: {top_students}) # ['Alice', 'Bob', 'Diana']

# 6. 性能优化技巧

# 使用生成器表达式避免中间列表

large_data = range(1000000)

# 高效处理大数据集

result = sum(map(lambda x: x 2,

filter(lambda x: x % 3 == 0, large_data)))

print(f大数据处理结果: {result})

# 7. 高级应用 - 函数组合

def compose(functions):

return lambda x: reduce(lambda acc, f: f(acc), functions, x)

from functools import reduce

# 创建处理管道

process_pipeline = compose(

lambda x: x 3, # 乘以3

lambda x: x + 10, # 加10

lambda x: x 2 # 平方

)

final_result = process_pipeline(5)

print(f管道处理结果: {final_result}) # ((53)+10)^2 = 625

```

核心优势总结：

- 简洁性：lambda表达式让简单函数定义更加紧凑

- 可读性：map/filter使数据处理意图更加明确

- 性能：避免显式循环，提升执行效率

- 组合性：易于构建复杂的数据处理管道

- 函数纯度：促进无副作用编程，提高代码可靠性

这些函数式编程工具为Python开发者提供了强大的数据处理能力，特别适合数据转换、筛选和流水线处理场景。