这几个函数在平时使用时不能立即想起来，而且它们之间区别不清，借该文做个总结。
OUTLINE
- filter
- map
- reduce
- apply
- 总结
filter
功能： filter的功能是过滤掉序列中不符合函数条件的元素，当序列中要删减的元素可以用某些函数描述时，就应该想起filter函数。
调用： filter（function，sequence），function可以是匿名函数或者自定义函数，它会对后面的sequence序列的每个元素判定是否符合函数条件，返回TRUE或者FALSE，从而只留下TRUE的元素；sequence可以是列表、元组或者字符串
例子：
x = [1,2,3,4,5]
list(filter(lambda x:x%2==0,x)) # 找出偶数。python3.*之后filter函数返回的不再是列表而是迭代器，所以需要用list转换。
# 输出：
[2, 4]map
功能： 求一个序列或者多个序列进行函数映射之后的值，就该想到map这个函数，它是python自带的函数，在python3.*之后返回的是迭代器，同filter，需要进行列表转换
调用： map(function,iterable1,iterable2)，function中的参数值不一定是一个x，也可以是x和y，甚至多个；后面的iterable表示需要参与function运算中的参数值，有几个参数值就传入几个iterable
例子：
x = [1,2,3,4,5]
y = [2,3,4,5,6]
list(map(lambda x,y:(x*y)+2,x,y))
# 输出：
[4, 8, 14, 22, 32]注：map中如果传入的几个序列的长度不一，那么会依据最短的序列进行计算。
reduce
功能： 对一个序列进行压缩运算，得到一个值。但是reduce在python2的时候是内置函数，到了python3移到了functools模块，所以使用之前需要 from functools import reduce
调用： reduce（function，iterable），其中function必须传入两个参数，iterable可以是列表或者元组
例子：
from functools import reduce
y = [2,3,4,5,6]
reduce(lambda x,y: x + y,y) # 直接返回一个值其计算原理：
先计算头两个元素：f(2, 3)，结果为5；
再把结果和第3个元素计算：f(5, 4)，结果为9；
再把结果和第4个元素计算：f(9, 5)，结果为14；
再把结果和第5个元素计算：f(14, 6)，结果为20；
由于没有更多的元素了，计算结束，返回结果20。
apply
功能： 是pandas中的函数，应用对象为pandas中的DataFrame或者Series。大致有两个方面的功能：一是直接对DataFrame或者Series应用函数，二是对pandas中的groupby之后的聚合对象apply函数
调用： apply(function,axis)，function表明所使用的函数，axis表明对行或者列做运算
例子：
import numpy as np
a = np.random.randint(low=0,high=4,size=(2,4))
data = pd.DataFrame(a)
data.apply(lambda x:x*10)
# 输出：
总结
1、filter和map都是python内置的函数，可以直接调用，reduce在functools模块，apply在pandas模块
2、要过滤删减序列用filter；要对多个序列做函数运算用map；在pandas里面直接调用apply，尤其是聚合对象，当然还有agg，日后补充。reduce用得少。