在介绍高阶函式之前，先了解lambda 关键字的作用。
lambda 在Python 表示式内建立匿名函式，在Python中限制了 lambda 函式的定义体，只能使用纯表示式。换句话说，lambda 函式的定义体中不能赋值，也不能使用 while 和 try等 Python 语句。
lambda 匿名函式
lambda 函式的语法比较简单，形式为：lambda 引数列表: 表示式sum = lambda x,y:x+y
sum(6+9)
filter 函式
功能： filter的功能是过滤掉序列中不符合函式条件的元素，当序列中要删减的元素可以用某些函式描述时，就应该想起filter函式。呼叫： filter（function，sequence），function可以是匿名函式或者自定义函式，它会对后面的sequence序列的每个元素判定是否符合函式条件，返回True或者False，从而只留下True 的元素；sequence可以是列表、元组或者字串。
例子：
x = [1,2,3,4,5]
list(filter(lambda x:x%2==0,x)) # 找出偶数。python3.*之后filter函式返回的不再是列表而是迭代器，所以需要用list转换。
# 输出：
[2, 4]
map 函式
功能： 求一个序列或者多个序列进行函式对映之后的值，就该想到map这个函式，它是python自带的函式，在python3.*之后返回的是迭代器，同filter，需要进行列表转换。呼叫： map(function,iterable1,iterable2)，function中的引数值不一定是一个x，也可以是x和y，甚至多个；后面的iterable表示需要参与function运算中的引数值，有几个引数值就传入几个iterable。
例子：
x = [1,2,3,4,5]
y = [2,3,4,5,6]
list(map(lambda x,y:(x*y)+2,x,y))
# 输出：
[4, 8, 14, 22, 32]
reduce 函式
功能： 对一个序列进行压缩运算，得到一个值。但是reduce在python2的时候是内建函式，到了python3移到了functools模组，所以使用之前需要 from functools import reduce呼叫： reduce（function，iterable），其中function必须传入两个引数，iterable可以是列表或者元组
例子：
x=[1,2,3,4,5]
from functools import reduce
reduce(lambda x,y: x+y, x)
apply 函式
功能： 是pandas中的函式，应用物件为pandas中的DataFrame或者Series。大致有两个方面的功能：一是直接对DataFrame或者Series应用函式，二是对pandas中的groupby之后的聚合物件apply函式呼叫： apply(function,axis)，function表明所使用的函式，axis表明对行或者列做运算
例子：
import numpy as np
import pandas as pd
a = np.random.randint(low=0,high=4,size=(2,4))
data = pd.DataFrame(a)
data.apply(lambda x:x*10)
简而言之，filter和map都是python内建的函式，可以直接呼叫，reduce在functools模组，apply在pandas模组。
想知道当前程式或是程序执行到某个地方时，内存里有哪些变数，获取他们的name 列表：
dir()
删除单个变数
del x # 删除变数 x
