转自：廖雪峰网站
1.map/reduce
map()函数接收两个参数，一个是函数，一个是Iterable，map将传入的函数依次作用到序列的每个元素，并把结果作为新的Iterator返回。
举例说明，比如我们有一个函数f(x)=x2，要把这个函数作用在一个list [1, 2, 3, 4, 5, 6, 7, 8, 9]上，就可以用map()实现如下：
>>> def f(x): ... return x * x ... >>> r = map(f, [1, 2, 3, 4, 5, 6, 7, 8, 9]) >>> list(r) [1, 4, 9, 16, 25, 36, 49, 64, 81]
map()传入的第一个参数是f，即函数对象本身。由于结果r是一个Iterator，Iterator是惰性序列，因此通过list()函数让它把整个序列都计算出来并返回一个list。
把这个list所有数字转为字符串：
>>> list(map(str, [1, 2, 3, 4, 5, 6, 7, 8, 9])) ['1', '2', '3', '4', '5', '6', '7', '8', '9']
再看reduce的用法。reduce把一个函数作用在一个序列[x1, x2, x3, ...]上，这个函数必须接收两个参数，reduce把结果继续和序列的下一个元素做累积计算，其效果就是：
reduce(f, [x1, x2, x3, x4]) = f(f(f(x1, x2), x3), x4)
2.numpy.ravel()展平函数
Return a contiguous flattened array.
numpy.ravel(a, order='C')
>>> x = np.array([[1, 2, 3], [4, 5, 6]]) >>> print(np.ravel(x)) [1 2 3 4 5 6]
>>> print(x.reshape(-1)) [1 2 3 4 5 6]
2020-7-2更新————
https://www.cnblogs.com/mzct123/p/8659193.html
ravel和flatten的区别：
都是进行展平操作，但是ravel不会分配新的内存，而是不同指针指向同一个内存空间，flatten则会重新复制一个数据对象，所以要用flatten更多。
3.例子
d = sio.loadmat('ex5data1.mat') return map(np.ravel, [d['X'], d['y'], d['Xval'], d['yval'], d['Xtest'], d['ytest']])
关于将mat里的数据转换为dataFrame做了以下：
tX,ty=pd.DataFrame([mat.get("X"),mat.get("y")]) #报错：Must pass 2-d input #因为数据框是二维的， a=pd.DataFrame({"name":mat['y']}) #报错：ValueError: If using all scalar values, you must pass an index a=pd.DataFrame({"name":mat['y']},index=[0]) #报错：Exception: Data must be 1-dimensional #解决： a=pd.DataFrame({"name":np.ravel(mat['y'])}) #需要展平为(12,)
