Python 过滤并结构化数据

Python 过滤并结构化数据，前面3个例子都是将数据处理和映射相结合，过滤并处理数据相比而言不那么明了，下面举例说明过滤并处理这对组合虽然很有用，但是其应用场景不如处理并映射这对组合典型。

前面介绍过，借助结构化数据算法，可以方便地将带有结构化算法的过滤器与一个复杂函数结合起来。从可迭代对象中取出部分值的函数如下：

from typing import Iterator, Tuple

def group_by_iter(n: int, items: Iterator) -> Iterator[Tuple]:
    row = tuple(next(items) for i in range(n))
    while row:
        yield row
        row = tuple(next(items) for i in range(n))

该函数从一个可迭代对象中取出 n 个元素，输入可迭代对象中的元素作为输出结果的一部分依次被yield语句返回。原则上，该函数递归处理输入可迭代对象中的值，但由于递归在Python中效率较低，这里用显式的while循环代替递归。

如下所示使用该函数：

group_by_iter(7,
    filter(lambda x: x % 3 == 0 or x % 5 == 0, range(100))
)

首先使用range()函数创建一个可迭代对象，然后用filter函数进行过滤，最后进行分组。

将分组和过滤放在同一个函数体中，就实现了一个函数包含分组和过滤两个处理步骤，修改后的函数如下所示：

def group_filter_iter(
        n: int, pred: Callable, items: Iterator) -> Iterator:
    subset = filter(pred, items)
    row = tuple(next(subset) for i in range(n))
    while row:
        yield row
        row = tuple(next(subset) for i in range(n))

首先使用谓词函数处理输入可迭代对象，生成一个非严格的可迭代对象，所以不会立刻对data变量求值，而只在需要的时候才求值，这个函数的实现方法与前面的例子一样。

略微简化一下上下文，如下所示使用该函数：

group_filter_iter(
    7,
    lambda x: x % 3 == 0 or x % 5 == 0,
    range(1, 100)
)

只需一次函数调用，就可以过滤并提取数据。但将filter()函数和其他处理步骤放在一起往往不够清晰，大多数情况下，单独的filter()函数比组合函数更实用。