1，reduce
上代码：
from functools import reduce
sum1 = reduce(lambda x, y: x + y, range(1, 5))
print(sum1) # 10输出结果：
10结论：
reduce返回的是函数经过执行运算后的结果，reduce累计运算，适合做大数据的运算，前两个元素作用得到结果后，继续和下一个元素运算
2.map
上代码：
sum2 = map(lambda y: y ** 2, range(1, 5))
print(type(sum2)) # <class 'map'>
print(sum2) # <map object at 0x7f809ce4c1d0>
for i in sum2:
print(i) # 1,4,9,16输出结果：
<class 'map'>
<map object at 0x7fb741db00f0>
1
4
9
16结论：map返回的是个集合，函数依次作用到每一个元素，每个元素都会被函数单独作用一次。
3.综上所述：
map和reduce函数均是接受两个参数，第一个参数，均是一个函数，可以是匿名函数，也可以是普通的函数，第二个参数是一个可迭代的序列（列表 或元组）
map函数的第一个参数是函数，函数的参数可以是1个或者多个，而reduce只能接受2个参数。
map()是将传入的函数依次作用到序列的每个元素，每个元素都是独自被函数“作用”一次 。
reduce()是将传人的函数作用在序列的第一个元素得到结果后，把这个结果继续与下一个元素作用（累积计算）。
4.飞跃拓展：
reduce()函数在库functools里，如果要使用它，要从这个库里导入。reduce函数与map函数有不一样地方，map操作是并行操作，reduce函数是把多个参数合并的操作，也就是从多个条件简化的结果，在计算机的算法里，大多数情况下，就是为了简单化。比如识别图像是否是一只猫，那么就是从众多的像素里提炼出来一个判断：是或否。可能是几百万个像素，就只出来一个结果。在google大规模集群里，就是利用这个思想，把前面并行处理的操作叫做map，并行处理之后的结果，就需要简化，归类，把这个简化和归类的过程就叫做reduce。由于reduce只能在一台主机上操作，并不能分布式地处理，但是reduce处理的是map结果，那么意味着这些结果已经非常简单，数据量大大减小，处理起来就非常快。因此可以把map，reduce过程叫做分析归纳的过程。