在任何实时应用或复杂活动中，程序员都会遇到“函数块”这个概念。函数块通过简化代码，使得复杂的操作看起来简单，从而让工作更加轻松和优雅。
函数是包含几个结构化代码语句的代码块，它在被调用时工作，并且可以在程序中被调用多次。函数执行特定的操作，并且可以随时使用。上述图表中详细描述了函数的功能。
从函数声明中可以看出，有两个关键参数：1. 函数名（描述函数用途的简单名称）2. 参数（在调用函数时可以赋予值）。编写函数时，“def”关键字至关重要；它创建了函数和函数体，解释了动作或特定函数将执行什么操作。最后，“return”语句用于打印值。因此，上述方法可以用于任何Python函数。
基于之前的描述，对函数的工作方式有了很好的理解，现在将探讨函数是如何分类的。
1. 用户自定义函数（USF） - 编写函数的自定义方式。2. 内置函数（BiF）：不能自定义，需要按照其提供的方式使用。
与def不同，这个函数没有名称。它简单直接，只需要参数和表达式，以及lambda关键字，并且只需要一行代码。它本质上是第二种写函数的方式。此外，这个函数只返回表达式而不是数据。它限制在一行内，并且参数数量与之前相同。
下面的动画gif展示了def和lambda函数的工作方式。
Python不是唯一支持Lambda的语言。美国数学家和逻辑学家Alonza Church在1930年做出了重要贡献 - Lambda演算（基于抽象目的的计算）。
为了减少指定功能所需的行数。这个函数之所以被使用，是因为它简单直接。与def函数不同，可以立即调用这个lambda函数（可以被调用但不是立即）。另一个重要的考虑是，当一个函数只偶尔需要而不是经常需要时。
将看看区别：基本的def函数代码，通过def，add（a，b）：返回a+b。打印（add（10，43））53。基本的lambda函数代码，通过lambda，add = lambda a，b：a+b。打印（add（10，43））53。
如果需要使用一个函数但不想使用def或无名条件，lambda是方法。临时或偶尔使用是第二个重要用途。这个函数可以与其他高阶函数如map（），apply（），reduce（）等一起使用。
Lambda函数的基本结构，a = lambda b：b ** b，其中，a = 存储结果的函数对象，lambda = 函数关键字，b = 参数，b ** b = 一行表达式。因为lambda函数将表达式与参数分开，所以lambda函数后的分号很重要（s）。
（lambda s：s/2.5）（5）2.0。在这个简单的例子中，lambda是lambda函数的关键字，s是参数，（s/2.5）是表达式，5是参数的结果。
与其他主题不同，这里没有特定的应用；范围是唯一的应用，正如将通过一些Python编程看到的。在探讨Lambda函数与其他函数的范围之前，首先必须建立一个Dataframes，借助pandas库，如下所示。
import pandas as pd
data = pd.DataFrame({
'S.No':[1,2,3,4,5],
'name':['Anand','Ramesh','Surya','Dinesh','Dhamu'],
'expert':['ML','DS','Network','Banking','Electronics'],
'income':[45000,50000,75000,80000,85000],
'place':['Cheyyar','Chennai','Bangalore','Malaysia','Cheannai'],
'Experience':[3,2,10,9,5]
})
在构建Dataframes之后，将探讨这个函数如何用于其他任务，如Apply（），Filter（），Map（），Reduce（）和条件表达式。
假设在2021年之后，所有企业都决定无论他们的经验和领域特定如何，都提高他们的业绩5500，有很多方法可以实现这一点，但为了保持简单和简洁，使用一个叫做Apply（）的函数。
data['income'] = data.apply(lambda i: i['income'] + 5500, axis=1)
这个想法很容易理解；正在努力提高Dataframes数据的收入列（axis=1），而不是其他列。
如果需要查看上述Dataframes数据中经验超过5年的人员，可以使用Filter函数。
list(filter(lambda i: i > 5, data['Experience']))
这个想法也相当简单；需要过滤候选人的经验超过5年，并解释多少年？除了lambda函数。
如果是这种情况，那么Map（）函数被用来处理它，以提高员工满意度，通过评估提高15%。
data['income']=list(map(lambda i: int(i+i*0.15),data['income']))
这个想法是，Map（）函数用于处理它，以提高员工满意度，通过评估提高15%。
假设Dataframes中的名称是朋友，如果需要确定他们的总薪水，将使用reduce（）函数来处理它，为了使用这个函数，将需要使用functools库。
import functools
functools.reduce(lambda a,b: a+b,data['income'])
这只是66786+73398+106461+113073+119686 = 479404的加法。它类似于加法函数。
条件语句，如if…then，if…then，if…then，for循环和while循环，使程序更有趣和健壮。当涉及到语句时，由于这种情况，lambda函数更强大。
data['category']=data['Experience'].apply(lambda x: 'Expert level' if x>=5 else 'Begineer')
这个想法是，需要根据他们的经验建立专业水平的类别条件。
另一个重要的应用是在这个函数中使用def函数。
def ads(x):
return (lambda y:x+y)
a = ads(4)
print(ad(8))
12。
将看看一些区分Lambda函数和其他类型函数的特点。
1. 易于创建函数。2. 变量选项少。