Question

我有两个功能，我想将它们结合起来：第一个叫做f（rdata，t）的函数读入时间horizont的数据，并将其排列进行进一步的建模

def f(rdata,t):
    dataset = pd.read_csv(rdata, sep = ",", skiprows = 3)
    data = dataset.loc[:,dataset.dtypes == np.float64] 
    data = pd.concat([dataset.OS_TERM, data], axis = 1).set_index(dataset.SIMULATION)
    rdata = data.loc[data["OS_TERM"] == t ].drop("OS_TERM", axis = 1).T.add_prefix("Sim_")
    return(rdata)

第二个函数分位数（data，q，n，ascending）计算假设的分位数q并将其与第一个函数的结果进行比较，显示n个最极端的观察值

def quantile(data, q , n , ascending):
    name =  str(q)
    quant = pd.DataFrame({name:data.quantile(q, axis = 1)})
    quant_dif = pd.DataFrame(data.values - quant.values, columns = data.columns)**2
    cum_dif = pd.DataFrame(quant_dif.sum(axis = 0), columns = ["cum_dif"])
    out = pd.DataFrame(cum_dif.sort(["cum_dif"], ascending = ascending).ix[0:n,:])
    index = out.index.values
    sims = pd.DataFrame(data.loc[:, index])
    return(sims)

要结合这两个我可以建立以下功能

quantile(f(rdata), t), q, n, ascending)

尽管如此我想创建一个函数，它读入时间范围t的数据，然后在第二步中应用分位数

f(data, t, quantile(data, q, n, ascending))

有关如何设置此内容的任何建议，可能使用Lambda函数吗？

Answer 1

如果你坚持以最复杂的方式做事，你可以使用partial作为回调：

from functools import partial

def apply(rdata, t, callback):
    data = f(rdata, t)
    return callback(data=data)


apply(rdata, t, partial(qantile, q=q, n=n, ascending=ascending))

或使用lambda：

apply(
   rdata, t, 
   lambda data, q=q, n=n, asc=ascending: qantile(data, q, n, asc)
   )

但在这两种情况下，我都没有看到它是如何改进的，而不是简单明了的解决方案...

Python lambda：将函数赋给另一个函数

1 个答案: