在 Python 編程世界里，代碼的簡潔性與可讀性至關重要。簡潔優雅的代碼不僅便于自己后期維護，也能讓其他開發者快速理解邏輯。而 Python 豐富的內置函數和一些實用的第三方庫函數，就是實現這一目標的有力武器。接下來，就為大家介紹幾個能讓代碼“脫胎換骨”的函數，助力寫出簡潔又優雅的代碼。

?

?

一、?map? 函數：批量操作元素

?

?map? 函數接收兩個參數，一個是函數，一個是可迭代對象（比如列表、元組等 ），它會將傳入的函數依次作用到可迭代對象的每個元素上，返回一個新的迭代器。

?

場景示例：列表元素平方

?

如果要對一個列表 ?nums = [1, 2, 3, 4]? 中的每個元素求平方，常規的 ?for? 循環寫法是這樣：

?

nums = [1, 2, 3, 4]

result = []

for num in nums:

? ? result.append(num ** 2)

print(result)??

?

?

用 ?map? 函數則簡潔很多：

?

nums = [1, 2, 3, 4]

result = map(lambda x: x ** 2, nums)

# 轉為列表查看結果，實際使用中若后續迭代可直接用迭代器

print(list(result))??

?

?

這里利用 ?lambda? 匿名函數配合 ?map?，一行代碼就完成了對列表所有元素的平方操作，省去了手動初始化空列表、寫循環體的步驟，代碼更緊湊。

?

二、?filter? 函數：精準篩選元素

?

?filter? 函數同樣接收函數和可迭代對象作為參數，傳入的函數需返回布爾值，它會篩選出可迭代對象中使函數返回 ?True? 的元素，返回一個迭代器。

?

場景示例：篩選列表中的偶數

?

對于列表 ?nums = [1, 2, 3, 4, 5, 6]?，要篩選出其中的偶數，常規循環：

?

nums = [1, 2, 3, 4, 5, 6]

result = []

for num in nums:

? ? if num % 2 == 0:

? ? ? ? result.append(num)

print(result)??

?

?

用 ?filter? 函數：

?

nums = [1, 2, 3, 4, 5, 6]

result = filter(lambda x: x % 2 == 0, nums)

print(list(result))??

?

?

借助 ?filter? ，把篩選邏輯（判斷是否為偶數 ）提煉成函數（這里用 ?lambda? ），直接篩選出符合條件的元素，代碼邏輯清晰又簡潔。

?

三、?zip? 函數：高效聚合多個可迭代對象

?

?zip? 函數能將多個可迭代對象中對應位置的元素打包成元組，返回一個迭代器。當你需要同時遍歷多個可迭代對象，取出對應位置元素進行操作時，它非常好用。

?

場景示例：合并兩個列表對應元素

?

有兩個列表 ?names = ["Alice", "Bob"]?，?ages = [20, 25]?，要將姓名和年齡一一對應合并，常規思路可能用索引遍歷：

?

names = ["Alice", "Bob"]

ages = [20, 25]

result = []

for i in range(len(names)):

? ? result.append((names[i], ages[i]))

print(result)??

?

?

用 ?zip? 函數：

?

names = ["Alice", "Bob"]

ages = [20, 25]

result = zip(names, ages)

print(list(result))??

?

?

?zip? 自動幫我們把對應位置元素配對，代碼簡潔直觀，尤其當可迭代對象數量更多時，優勢更明顯，比如三個列表 ?a = [1,2]?, ?b = [3,4]?, ?c = [5,6]? ，?zip(a,b,c)? 能輕松打包成 ?[(1,3,5),(2,4,6)]? 這樣的形式。

?

四、?enumerate? 函數：遍歷帶索引

?

在遍歷可迭代對象時，有時需要同時獲取元素的索引和元素本身。?enumerate? 函數就可以在遍歷過程中，為每個元素配上其索引，返回一個枚舉對象（迭代器 ）。

?

場景示例：遍歷列表并獲取索引

?

對于列表 ?fruits = ["apple", "banana", "orange"]?，要打印出“索引：元素”的形式，常規做法：

?

fruits = ["apple", "banana", "orange"]

index = 0

for fruit in fruits:

? ? print(f"{index}: {fruit}")

? ? index += 1

?

?

用 ?enumerate? 函數：

?

fruits = ["apple", "banana", "orange"]

for index, fruit in enumerate(fruits):

? ? print(f"{index}: {fruit}")

?

?

?enumerate? 自動處理了索引的遞增，代碼更簡潔，也避免了手動管理索引變量可能出現的錯誤，讓遍歷帶索引的場景變得輕松。

?

五、?collections.defaultdict?：便捷處理字典默認值

?

在使用普通字典 ?dict? 時，如果訪問不存在的鍵，會拋出 ?KeyError? 異常。而 ?collections? 模塊里的 ?defaultdict? ，可以指定一個默認工廠函數，當訪問不存在的鍵時，會自動用默認工廠函數生成對應的值。

?

場景示例：統計列表中各元素出現次數（常規字典對比 ）

?

常規字典統計列表 ?words = ["apple", "banana", "apple"]? 中單詞出現次數：

?

words = ["apple", "banana", "apple"]

count_dict = {}

for word in words:

? ? if word in count_dict:

? ? ? ? count_dict[word] += 1

? ? else:

? ? ? ? count_dict[word] = 1

print(count_dict)??

?

?

用 ?defaultdict?：

?

from collections import defaultdict

words = ["apple", "banana", "apple"]

count_dict = defaultdict(int) # int 作為默認工廠函數，調用 int() 得到 0

for word in words:

? ? count_dict[word] += 1

print(dict(count_dict))??

?

?

?defaultdict? 幫我們省去了判斷鍵是否存在的步驟，直接對鍵進行操作即可，在處理一些需要默認值的字典場景時，讓代碼簡潔又高效。

?

六、?functools.lru_cache?：緩存優化遞歸或重復計算

?

對于一些遞歸函數或者會重復計算相同參數結果的函數，?functools? 模塊里的 ?lru_cache? 裝飾器可以緩存函數的調用結果，當再次以相同參數調用函數時，直接返回緩存的結果，避免重復計算，提升效率，同時也能讓代碼更簡潔（無需手動實現緩存邏輯 ）。

?

場景示例：計算斐波那契數列（遞歸優化 ）

?

常規遞歸計算斐波那契數列（存在大量重復計算 ）：

?

def fibonacci(n):

? ? if n <= 1:

? ? ? ? return n

? ? return fibonacci(n - 1) + fibonacci(n - 2)

# 計算 fibonacci(30) 時會有很多重復計算

print(fibonacci(30))??

?

?

用 ?lru_cache? 裝飾器優化：

?

from functools import lru_cache

?

@lru_cache(maxsize=None) # maxsize=None 表示緩存無限大

def fibonacci(n):

? ? if n <= 1:

? ? ? ? return n

? ? return fibonacci(n - 1) + fibonacci(n - 2)

?

print(fibonacci(30))??

?

?

加上 ?lru_cache? 后，函數自動緩存了計算結果，后續相同參數調用直接取緩存，大大提升了遞歸效率，代碼上也只是添加一個裝飾器，簡潔又實用。

?

七、這些 Python 函數（包括內置函數和部分庫函數 ），從數據處理的批量操作、篩選、聚合，到遍歷優化、字典便捷處理，再到函數計算優化，覆蓋了多種常見編程場景。合理運用它們，能讓代碼擺脫繁瑣的循環、條件判斷等冗余結構，變得更加簡潔優雅，同時也能提升代碼的執行效率和可讀性。當然，Python 中還有很多其他好用的函數和特性，大家在日常編程中可以不斷探索挖掘，讓自己的代碼越來越“Pythonic” ，寫出更優質的程序。

?