Map، Filter و Reduce در پایتون: مفاهیم متوسط

در پایتون، توابع map، filter و reduce ابزارهای قدرتمندی برای پردازش داده‌ها به صورت خلاصه و خوانا هستند. این توابع، که اغلب به عنوان توابع تابعی (Functional Programming) شناخته می‌شوند، به شما امکان می‌دهند عملیات مختلفی را بر روی مجموعه‌ها (مانند لیست‌ها، تاپل‌ها و غیره) بدون نیاز به نوشتن حلقه‌های صریح (for loops) انجام دهید. در این مقاله، به بررسی عمیق این سه تابع، نحوه کارکرد آن‌ها و کاربردهایشان در پایتون می‌پردازیم.

تابع Map

تابع map یک تابع و یک یا چند iterable (مانند لیست) را به عنوان ورودی می‌گیرد. این تابع، تابع ورودی را بر روی هر عنصر از iterable اعمال می‌کند و یک iterator برمی‌گرداند که نتایج را تولید می‌کند. به عبارت دیگر، map یک نگاشت یک به یک بین عناصر iterable ورودی و عناصر iterable خروجی ایجاد می‌کند.

نحوه استفاده

سینتکس کلی تابع map به صورت زیر است:

map(function, iterable, ...)

function: تابعی که می‌خواهید بر روی هر عنصر iterable اعمال کنید.

iterable: مجموعه‌ای از عناصر که می‌خواهید تابع بر روی آن‌ها اعمال شود.

...: می‌توانید چندین iterable را به عنوان ورودی به map بدهید. در این صورت، تابع باید به تعداد iterableها ورودی بپذیرد.

مثال‌ها

فرض کنید می‌خواهیم مربع هر عدد در یک لیست را محاسبه کنیم. می‌توانیم از map به صورت زیر استفاده کنیم:

numbers = [1, 2, 3, 4, 5]
squared_numbers = map(lambda x: x**2, numbers)
print(list(squared_numbers))  # خروجی: [1, 4, 9, 16, 25]

در این مثال، از یک تابع lambda برای محاسبه مربع هر عدد استفاده کردیم. تابع lambda یک تابع بی‌نام و کوچک است که می‌توان آن را در یک خط تعریف کرد. map این تابع را بر روی هر عنصر لیست numbers اعمال می‌کند و یک iterator برمی‌گرداند. برای مشاهده نتایج، iterator را به یک لیست تبدیل کردیم.

همچنین می‌توانیم از map با چندین iterable استفاده کنیم. فرض کنید می‌خواهیم دو لیست را با هم جمع کنیم:

list1 = [1, 2, 3]
list2 = [4, 5, 6]
sum_list = map(lambda x, y: x + y, list1, list2)
print(list(sum_list))  # خروجی: [5, 7, 9]

در این مثال، تابع lambda دو ورودی می‌گیرد (یکی از list1 و دیگری از list2) و مجموع آن‌ها را برمی‌گرداند. map این تابع را به صورت همزمان بر روی عناصر متناظر دو لیست اعمال می‌کند.

تابع Filter

تابع filter یک تابع و یک iterable را به عنوان ورودی می‌گیرد. این تابع، تابع ورودی را بر روی هر عنصر iterable اعمال می‌کند و یک iterator برمی‌گرداند که فقط عناصری را شامل می‌شود که تابع ورودی برای آن‌ها مقدار True برگردانده است. به عبارت دیگر، filter عناصر iterable را بر اساس یک شرط خاص فیلتر می‌کند.

نحوه استفاده

سینتکس کلی تابع filter به صورت زیر است:

filter(function, iterable)

function: تابعی که می‌خواهید برای فیلتر کردن عناصر iterable استفاده کنید. این تابع باید یک مقدار بولی (True یا False) برگرداند.

iterable: مجموعه‌ای از عناصر که می‌خواهید فیلتر کنید.

مثال‌ها

فرض کنید می‌خواهیم فقط اعداد زوج یک لیست را انتخاب کنیم. می‌توانیم از filter به صورت زیر استفاده کنیم:

numbers = [1, 2, 3, 4, 5, 6]
even_numbers = filter(lambda x: x % 2 == 0, numbers)
print(list(even_numbers))  # خروجی: [2, 4, 6]

در این مثال، تابع lambda بررسی می‌کند که آیا یک عدد زوج است یا خیر. filter این تابع را بر روی هر عنصر لیست numbers اعمال می‌کند و فقط عناصری را در iterator خروجی قرار می‌دهد که تابع lambda برای آن‌ها مقدار True برگردانده است.

همچنین می‌توانیم از filter برای فیلتر کردن رشته‌ها بر اساس یک شرط خاص استفاده کنیم. فرض کنید می‌خواهیم فقط رشته‌هایی را انتخاب کنیم که طول آن‌ها بیشتر از 5 کاراکتر باشد:

strings = ["apple", "banana", "kiwi", "orange"]
long_strings = filter(lambda x: len(x) > 5, strings)
print(list(long_strings))  # خروجی: ['banana', 'orange']

تابع Reduce

تابع reduce یک تابع و یک iterable را به عنوان ورودی می‌گیرد. این تابع، تابع ورودی را به صورت تکراری بر روی عناصر iterable اعمال می‌کند و یک مقدار واحد را به عنوان نتیجه برمی‌گرداند. به عبارت دیگر، reduce عناصر iterable را با استفاده از یک تابع به یک مقدار نهایی کاهش می‌دهد.

نحوه استفاده

تابع reduce در پایتون 3 به صورت پیش‌فرض در دسترس نیست و باید از ماژول functools وارد شود.

from functools import reduce

reduce(function, iterable, initializer)

function: تابعی که می‌خواهید به صورت تکراری بر روی عناصر iterable اعمال کنید. این تابع باید دو ورودی بپذیرد (مقدار قبلی و عنصر فعلی) و یک مقدار واحد برگرداند.

iterable: مجموعه‌ای از عناصر که می‌خواهید کاهش دهید.

initializer: (اختیاری) مقدار اولیه برای شروع کاهش. اگر این مقدار مشخص نشود، اولین عنصر iterable به عنوان مقدار اولیه استفاده می‌شود.

مثال‌ها

فرض کنید می‌خواهیم مجموع تمام اعداد یک لیست را محاسبه کنیم. می‌توانیم از reduce به صورت زیر استفاده کنیم:

from functools import reduce

numbers = [1, 2, 3, 4, 5]
sum_numbers = reduce(lambda x, y: x + y, numbers)
print(sum_numbers)  # خروجی: 15

در این مثال، تابع lambda دو ورودی می‌گیرد (مقدار قبلی و عنصر فعلی) و مجموع آن‌ها را برمی‌گرداند. reduce این تابع را به صورت تکراری بر روی عناصر لیست numbers اعمال می‌کند. ابتدا مقدار اولیه (که در این مثال اولین عنصر لیست است) با عنصر دوم جمع می‌شود، سپس نتیجه با عنصر سوم جمع می‌شود و به همین ترتیب تا آخرین عنصر لیست.

همچنین می‌توانیم از reduce با یک مقدار اولیه استفاده کنیم. فرض کنید می‌خواهیم حاصل ضرب تمام اعداد یک لیست را محاسبه کنیم و مقدار اولیه را 1 قرار دهیم:

from functools import reduce

numbers = [1, 2, 3, 4, 5]
product_numbers = reduce(lambda x, y: x * y, numbers, 1)
print(product_numbers)  # خروجی: 120

مزایا و معایب استفاده از Map، Filter و Reduce

مزایا:

• خوانایی کد: این توابع می‌توانند کد را کوتاه‌تر و خواناتر کنند، به خصوص زمانی که با توابع lambda ترکیب شوند.
• کارایی: در برخی موارد، استفاده از این توابع می‌تواند کارایی کد را افزایش دهد، زیرا پیاده‌سازی آن‌ها معمولاً بهینه شده است.
• برنامه‌نویسی تابعی: این توابع به شما امکان می‌دهند از اصول برنامه‌نویسی تابعی در پایتون استفاده کنید.

معایب:

• پیچیدگی: درک نحوه کارکرد این توابع ممکن است برای مبتدیان کمی دشوار باشد.
• خوانایی (در موارد پیچیده): استفاده بیش از حد از توابع lambda و map، filter و reduce می‌تواند کد را پیچیده و غیرقابل فهم کند.

نتیجه‌گیری

توابع map، filter و reduce ابزارهای قدرتمندی برای پردازش داده‌ها در پایتون هستند. با درک نحوه کارکرد این توابع و کاربردهایشان، می‌توانید کد خود را کوتاه‌تر، خواناتر و کارآمدتر کنید. با این حال، مهم است که از این توابع به صورت متعادل استفاده کنید و از پیچیده شدن بیش از حد کد خود جلوگیری کنید.